Nesenā pētījumā, kas publicēts žurnālā Clinical Breast Cancer, ir atklāts, ka deep learning modeļi var kalpot kā efektīvi prognozēšanas līdzekļi krūts vēža prognostikā. Pētījumu vadīja Dr.Junqi Han un viņa komanda no Qingdao Universitātes Affiliated Hospital Ķīnā, kas demonstrēja, ka modelis, kurā tiek apvienoti mamogrāfijas attēli, un citi pazīme-ti ir efektīvi, lai precīzi prognozētu brīvību no slimībām krūts vēža pacientiem.
Pētnieki ir izceluši, ka kombinētais modelis, kas izmanto gan mamogrāfijas, gan ultraskaņas attēlus, dod labāku veiktspēju salīdzinājumā ar atsevišķu attēlu modalitāšu izmantošanu. Izmantojot mākslīgās inteliģences un deep learning tehnikas, radiologi izpēta jaunas iespējas krūts vēža diagnozes un prognozēšanas jomā.
Šajā pētījumā komanda apkopoja datus no 1242 pacientiem laika periodā no 2013. līdz 2018. gadam, tos iedalot apmācības un pārbaudes grupās. Viņi izmantoja deep learning modeļus, izmantojot ResNet50, un apvienoja klīniskos datus un attēla īpašības, lai atlasītu neatkarīgos prognostiskos faktorus un izveidotu klīnisko modeli.
Kopā tika izstrādāti pieci modeļi: ultraskaņas deep learning, mamogrāfijas deep learning, ultraskaņas un mamogrāfijas deep learning, klīnisks modelis un kombinētais modelis. Pētnieki atklāja, ka kombinētais modelis, kas ietvēra abu modalitāšu attēlus kopā ar patoloģiskām, klīniskām un radiogrāfiskām īpašībām, demonstrēja augstāko prognozēšanas veiktspēju salīdzināšanā ar analizētajiem modeļiem.
Jāatzīmē, ka dažas patoloģiskās un klīniskās īpašības ir iegūstamas tikai pēcoperācijas. Tādēļ kombinētais modelis ir nozīmīgs prognozējot izrakstīšanos pēcoperācijas. Turklāt pētījums uzsver ultraskaņas un mamogrāfijas savstarpējo papildinošo raksturu krūts attēlveidošanā, kur ultraskaņa tiek izmantota, lai novērotu audzēja formu un īpašības, savukārt mamogrāfija ir noderīga, lai identificētu kalcifikācijas procesus.
Lai gan pētījums izdara cerīgus secinājumus, autoru aicina nākamajos pētījumos veikt ārēju validāciju, lai izvērtētu modeļu prognozēšanas efektivitāti un vispusību. Neskatoties uz to, deep learning modeļu izmantošana rāda lielu potenciālu krūts vēža prognozēšanas uzlabošanai un pacientu iznākumu pilnveidošanai.
Krūts Vēža Prognozes un Deep Learning Modeļu FAQ sadaļa:
J: Ko atklāja nesenais pētījums, kas publicēts žurnālā Clinical Breast Cancer?
A: Pētījumā tika atklāta deep learning modeļu potenciālā efektivitāte krūts vēža prognozēšanas procesā.
J: Kurš vadīja šo pētījumu?
A: Pētījumu vadīja Dr.Junqi Han un viņa komanda no Qingdao Universitātes Affiliated Hospital Ķīnā.
J: Kādi dati tika izmantoti šajā pētījumā?
A: Pētījumā tika apvienoti dati no mamogrāfijas un ultraskaņas attēliem, kā arī citiem raksturojumiem, lai prognozētu brīvību no slimībām krūts vēža pacientiem.
J: Kā veicās kombinētam modelim salīdzinājumā ar vienas attēlu modalitātes izmantošanu?
A: Kombinētais modelis, kas ietvēra gan mamogrāfijas, gan ultraskaņas attēlus, parādīja uzlabotu veiktspēju salīdzinājumā ar atsevišķu attēlu modalitāšu izmantošanu.
J: Kādas tehniskās metodes tika izmantotas šajā pētījumā?
A: Pētījumā tika izmantotas mākslīgā inteliģence un deep learning tehnikas, konkrēti izmantojot deep learning modeļus ar ResNet50.
J: Kā tika savākti dati?
A: Pētnieki apkopoja datus no 1242 pacientiem no 2013. līdz 2018. gadam, sadalot tos apmācības un pārbaudes grupās.
J: Cik daudz modeļu šajā pētījumā tika izstrādāti?
A: Kopā tika izstrādāti pieci modeļi: ultraskaņas deep learning, mamogrāfijas deep learning, ultraskaņas un mamogrāfijas deep learning, klīnisks modelis un kombinētais modelis.
J: Kurš no modeļiem parādīja augstāko prognozēšanas veiktspēju?
A: Kombinētais modelis, kas ietvēra gan ultraskaņas, gan mamogrāfijas attēlus, kopā ar patoloģiskām, klīniskām un radiogrāfiskām īpašībām, parādīja augstāko prognozēšanas veiktspēju.
J: Kāpēc kombinētais modelis ir nozīmīgs prognozējot izrakstīšanos pēcoperācijas?
A: Dažas patoloģiskās un klīniskās īpašības ir iegūstamas tikai pēcoperācijas, tāpēc kombinētais modelis ir būtisks, lai prognozētu izrakstīšanos pēcoperācijas.
J: Kādas ir ultraskaņas un mamogrāfijas savstarpējās lomas krūts attēlveidošanā?
A: Ultraskaņa tiek izmantota, lai novērotu audzēja formu un īpašības, savukārt mamogrāfija ir noderīga, lai identificētu kalcifikācijas procesus.
J: Ko pētījuma autori ir aicinājuši darīt?
A: Autori aicina veikt ārēju validāciju nākamajos pētījumos, lai izvērtētu modeļu prognozēšanas efektivitāti un vispusību.
J: Kāds ir potenciāls izmantot deep learning modeļus krūts vēža prognozēšanā?
A: Deep learning modeļi rāda lielu potenciālu krūts vēža prognozēšanas uzlabošanai un pacientu iznākumu pilnveidošanai.
Definīcijas:
– Prognoze: Medicīniskās stāvokļa visticamākais gaita vai rezultāts.
– Deep learning modeļi: Datora modeļi, kas izmanto mākslīgā inteliģences tehnikas, lai apstrādātu lielu datu apjomu un veiktu prognozes vai klasifikācijas.
– Mamogrāfija: Attēlošanas tehnika, kas izmanto rentgenstarus, lai izmeklētu krūts vēzi vai citus novirzes.
– Ultraskaņa: Diagnostikas attēlošanas tehnika, kas izmanto augstfrekvences skaņas viļņus, lai radītu attēlus par ķermeņa struktūrām.
– Radiologi: Medicīnas ārsti, kas specializējas medicīnisko attēlu, piemēram, rentgena, CT skenēšanas un mamogrāfijas, interpretācijā.
Ieteiktās saistītās saites:
– cancer.org
– Nacionālais Biotehnoloģijas Informācijas Centrs (NCBI)
– breastcancer.org
The source of the article is from the blog xn--campiahoy-p6a.es