En nyligen publicerad studie i Clinical Breast Cancer har visat att djupinlärningsmodeller har potential att fungera som effektiva prediktiva verktyg för att prognostisera bröstcancer. Studien, som leddes av Dr. Junqi Han och hans team från Affiliated Hospital of Qingdao University i Kina, visade framgången för en modell som kombinerar data från mammografibilder, ultraljudsbilder och andra egenskaper för att noggrant förutsäga sjukdomsfri överlevnad hos bröstcancerpatienter.
Forskarna lyfte fram den förbättrade prestandan hos den kombinerade modellen, som använder både mammografibilder och ultraljudsbilder, jämfört med att använda enskilda bildmodaliteter för sig. Genom att utnyttja artificiell intelligens och djupinlärningstekniker utforskar radiologer nya möjligheter för att förbättra diagnos och prognos för bröstcancer.
I denna studie samlade teamet in data från 1 242 patienter mellan 2013 och 2018 och delade upp dem i tränings- och testgrupper. De använde djupinlärningsmodeller med ResNet50 och integrerade kliniska data och bildkarakteristika för att välja oberoende prognostiska faktorer och skapa en klinisk modell.
Totalt fem modeller utvecklades: djupinlärning för ultraljud, djupinlärning för mammografi, djupinlärning för både ultraljud och mammografi, en klinisk modell och en kombinerad modell. Forskarna fann att den kombinerade modellen, som inkluderade bilder från båda modaliteterna samt patologiska, kliniska och radiografiska egenskaper, uppvisade högst prognostisk prestanda bland de analyserade modellerna.
Det är värt att notera att vissa patologiska och kliniska egenskaper bara kan erhållas efter kirurgi. Därför är den kombinerade modellen betydelsefull för att förutsäga prognos efter kirurgi. Dessutom betonade studien den kompletterande naturen hos ultraljud och mammografi vid bröstavbildning, där ultraljud används för att observera lesionens form och egenskaper och mammografi används för att identifiera förkalkningar.
Även om studien visar lovande resultat, uppmanade författarna till extern validering i framtida forskning för att mäta effektiviteten och generaliserbarheten hos modellerna. Trots detta visar användningen av djupinlärningsmodeller stor potential för att förbättra prognosen för bröstcancer och slutligen förbättra patientresultaten.
En FAQ-sektion om prognos för bröstcancer och djupinlärningsmodeller:
Q: Vad visade den nyligen publicerade studien i Clinical Breast Cancer?
A: Studien visade potentialen hos djupinlärningsmodeller som effektiva prediktiva verktyg för prognos av bröstcancer.
Q: Vem ledde studien?
A: Studien leddes av Dr. Junqi Han och hans team från Affiliated Hospital of Qingdao University i Kina.
Q: Vilken typ av data använde studien?
A: Studien kombinerade data från mammografibilder, ultraljudsbilder och andra egenskaper för att förutsäga sjukdomsfri överlevnad hos bröstcancerpatienter.
Q: Hur presterade den kombinerade modellen jämfört med att använda enskilda bildmodaliteter?
A: Den kombinerade modellen, som inkluderade både mammografibilder och ultraljudsbilder, visade förbättrad prestanda jämfört med att använda enskilda bildmodaliteter för sig.
Q: Vilka tekniker användes i studien?
A: Studien använde artificiell intelligens och djupinlärningstekniker, specifikt med hjälp av djupinlärningsmodeller med ResNet50.
Q: Hur samlades data in?
A: Forskarna samlade in data från 1 242 patienter mellan 2013 och 2018 och delade upp dem i tränings- och testgrupper.
Q: Hur många modeller utvecklades i studien?
A: Totalt fem modeller utvecklades: djupinlärning för ultraljud, djupinlärning för mammografi, djupinlärning för både ultraljud och mammografi, en klinisk modell och en kombinerad modell.
Q: Vilken modell visade högst prognostisk prestanda?
A: Den kombinerade modellen, som inkluderade bilder från både ultraljud och mammografi, samt patologiska, kliniska och radiografiska egenskaper, uppvisade högst prognostisk prestanda.
Q: Varför är den kombinerade modellen betydelsefull för att förutsäga prognosen efter kirurgi?
A: Vissa patologiska och kliniska egenskaper kan endast erhållas efter kirurgi, vilket gör den kombinerade modellen viktig för att förutsäga prognosen efter kirurgi.
Q: Vilka är de kompletterande rollerna för ultraljud och mammografi vid bröstavbildning?
A: Ultraljud används för att observera lesionens form och egenskaper, medan mammografi används för att identifiera förkalkningar.
Q: Vad uppmanade författarna till i studien?
A: Författarna uppmanade till extern validering i framtida forskning för att mäta effektiviteten och generaliserbarheten hos modellerna.
Q: Vilken potential har användningen av djupinlärningsmodeller för bröstcancerprognos?
A: Djupinlärningsmodeller visar stor potential för att förbättra prognosförutsägelser för bröstcancer och slutligen förbättra patientresultaten.
Definitioner:
– Prognos: Den förväntade förloppet eller resultatet av en medicinsk tillstånd.
– Djupinlärningsmodeller: Datormodeller som använder tekniker inom artificiell intelligens för att bearbeta stora mängder data och göra förutsägelser eller klassificeringar.
– Mammografi: En avbildningsteknik som använder röntgen för att undersöka brösten för tecken på bröstcancer eller andra onormaliteter.
– Ultraljud: En diagnostisk avbildningsteknik som använder högfrekventa ljudvågor för att producera bilder av strukturer inuti kroppen.
– Radiologer: Läkare som är specialiserade på att tolka medicinska bilder, som röntgen, datortomografi (CT) och mammografi.
Föreslagna relaterade länkar:
– cancer.org
– National Center for Biotechnology Information (NCBI)
– breastcancer.org
The source of the article is from the blog girabetim.com.br