Uno studio recente pubblicato su Clinical Breast Cancer ha rivelato che i modelli di deep learning hanno il potenziale per essere efficaci strumenti predittivi per la prognosi del cancro al seno. Guidato dal dottor Junqi Han e dal suo team dell’Ospedale Affiliato dell’Università di Qingdao in Cina, lo studio ha dimostrato il successo di un modello che combina dati da immagini mammografiche, immagini ad ultrasuoni e altre caratteristiche per predire con precisione la sopravvivenza senza malattia delle pazienti affette da cancro al seno.
I ricercatori hanno evidenziato il miglioramento delle prestazioni del modello combinato, che utilizza sia immagini mammografiche che ad ultrasuoni, rispetto all’utilizzo di singole modalità di imaging da soli. Sfruttando l’intelligenza artificiale e le tecniche di deep learning, i radiologi stanno esplorando nuove vie per migliorare la diagnosi e la prognosi del cancro al seno.
In questo studio, il team ha raccolto dati da 1.242 pazienti tra il 2013 e il 2018, suddividendoli in gruppi di addestramento e di test. Hanno utilizzato modelli di deep learning utilizzando ResNet50 e hanno integrato dati clinici e caratteristiche di imaging per selezionare fattori prognostici indipendenti ed elaborare un modello clinico.
Sono stati sviluppati un totale di cinque modelli: deep learning ad ultrasuoni, deep learning mammografico, deep learning ad ultrasuoni più mammografia, un modello clinico e un modello combinato. I ricercatori hanno riscontrato che il modello combinato, che incorpora immagini di entrambe le modalità insieme a caratteristiche patologiche, cliniche e radiografiche, ha mostrato le migliori prestazioni predittive tra i modelli analizzati.
È importante notare che alcune caratteristiche patologiche e cliniche possono essere ottenute solo dopo l’intervento chirurgico. Di conseguenza, il modello combinato ha un’importanza significativa nella previsione della prognosi post-chirurgica. Inoltre, lo studio ha sottolineato il ruolo complementare dell’ultrasuono e della mammografia nell’imaging del seno, con l’ultrasuono utilizzato per osservare la forma e le caratteristiche delle lesioni e la mammografia utilizzata per identificare calcificazioni.
Sebbene lo studio mostri risultati promettenti, gli autori hanno richiesto una convalida esterna nelle future ricerche per valutare l’efficacia predittiva e la generalizzabilità dei modelli. Nonostante ciò, l’uso di modelli di deep learning mostra un grande potenziale per migliorare la previsione della prognosi del cancro al seno ed infine migliorare gli esiti delle pazienti.
Sezione FAQ sulla Prognosi del Cancro al Seno e sui Modelli di Deep Learning:
Q: Cosa ha rivelato lo studio recente pubblicato su Clinical Breast Cancer?
R: Lo studio ha rivelato il potenziale dei modelli di deep learning per essere strumenti predittivi efficaci per la prognosi del cancro al seno.
Q: Chi ha guidato lo studio?
R: Lo studio è stato guidato dal dottor Junqi Han e dal suo team dell’Ospedale Affiliato dell’Università di Qingdao in Cina.
Q: Quale tipo di dati ha utilizzato lo studio?
R: Lo studio ha combinato dati da immagini mammografiche, immagini ad ultrasuoni e altre caratteristiche per predire la sopravvivenza senza malattia delle pazienti affette da cancro al seno.
Q: Come si è comportato il modello combinato rispetto all’utilizzo delle singole modalità di imaging?
R: Il modello combinato, che ha incorporato sia immagini mammografiche che ad ultrasuoni, ha mostrato un miglioramento delle prestazioni rispetto all’utilizzo delle singole modalità di imaging da soli.
Q: Quali tecniche sono state utilizzate nello studio?
R: Lo studio ha impiegato tecniche di intelligenza artificiale e di deep learning, in particolare utilizzando modelli di deep learning con ResNet50.
Q: Come sono stati raccolti i dati?
R: I ricercatori hanno raccolto dati da 1.242 pazienti tra il 2013 e il 2018, suddividendoli in gruppi di addestramento e di test.
Q: Quanti modelli sono stati sviluppati nello studio?
R: Sono stati sviluppati un totale di cinque modelli: deep learning ad ultrasuoni, deep learning mammografico, deep learning ad ultrasuoni più mammografia, un modello clinico e un modello combinato.
Q: Quale modello ha mostrato le migliori prestazioni predittive?
R: Il modello combinato, che incorpora immagini sia ad ultrasuoni che mammografiche, insieme a caratteristiche patologiche, cliniche e radiografiche, ha mostrato le migliori prestazioni predittive.
Q: Perché il modello combinato è significativo nella previsione della prognosi post-chirurgica?
R: Alcune caratteristiche patologiche e cliniche possono essere ottenute solo dopo l’intervento chirurgico, rendendo il modello combinato cruciale nella previsione della prognosi post-chirurgica.
Q: Quali sono i ruoli complementari dell’ultrasuono e della mammografia nell’imaging del seno?
R: L’ultrasuono viene utilizzato per osservare la forma e le caratteristiche delle lesioni, mentre la mammografia viene utilizzata per identificare calcificazioni.
Q: Cosa hanno richiesto gli autori dello studio?
R: Gli autori hanno richiesto una convalida esterna nelle future ricerche per valutare l’efficacia predittiva e la generalizzabilità dei modelli.
Q: Qual è il potenziale dell’uso di modelli di deep learning per la prognosi del cancro al seno?
R: I modelli di deep learning mostrano un grande potenziale per migliorare la previsione della prognosi del cancro al seno ed infine migliorare gli esiti delle pazienti.
Definizioni:
– Prognosi: Il probabile corso o esito di una condizione medica.
– Modelli di deep learning: Modelli informatici che utilizzano tecniche di intelligenza artificiale per elaborare grandi quantità di dati e fare previsioni o classificazioni.
– Mammografia: Una tecnica di imaging che utilizza i raggi X per esaminare il seno alla ricerca di segni di cancro al seno o altre anomalie.
– Ultrasuoni: Una tecnica di imaging diagnostico che utilizza onde sonore ad alta frequenza per produrre immagini delle strutture all’interno del corpo.
– Radiologi: Medici specialisti nell’interpretazione di immagini mediche, come radiografie, tomografie computerizzate e mammografie.
Link correlati suggeriti:
– cancer.org
– National Center for Biotechnology Information (NCBI)
– breastcancer.org
The source of the article is from the blog newyorkpostgazette.com