Hiljattain Clinical Breast Cancer -lehdessä julkaistu tutkimus paljasti, että syvän oppimisen mallit voivat toimia tehokkaina ennustustyökaluina rintasyövän prognoosissa. Kiinan Qingdaon yliopiston sairaalan tutkijaryhmän johtamaa tutkimusta johti tohtori Junqi Han. Tutkimus osoitti mallinnistoliittämällä yhteen mammografian kuvia, ultraäänikuvia ja muita ominaisuuksia rintasyövän potilaiden taudittoman selviytymisen tarkan ennustamisen onnistumisen.
Tutkijat korostivat yhdistelmämallin parantunutta suorituskykyä, joka käyttää sekä mammografia- että ultraäänikuvia verrattuna yksittäisten kuvantamismenetelmien käyttöön. Tekoälyn ja syvän oppimisen menetelmiä hyödyntämällä radiologit tutkivat uusia mahdollisuuksia rintasyövän diagnosoinnin ja prognostisoinnin edistämiseen.
Tässä tutkimuksessa ryhmä keräsi tietoja 1 242 potilaalta vuosien 2013 ja 2018 välillä jakamalla heidät koulutus- ja testiryhmiin. He käyttivät syvän oppimisen malleja käyttäen ResNet50:ä ja yhdistivät kliinisiä tietoja ja kuvantamisominaisuuksia valitakseen itsenäiset prognostiset tekijät ja luodakseen kliinisen mallin.
Yhteensä viisi mallia kehitettiin: ultraäänen syväoppiminen, mammografian syväoppiminen, ultraäänen ja mammografian syväoppiminen, kliininen malli ja yhdistelmämalli. Tutkijat havaitsivat, että yhdistelmämalli, joka käytti molempien kuvantamismenetelmien kuvia yhdessä patologisten, kliinisten ja radiologisten ominaisuuksien kanssa, osoitti korkeimman ennustuskyvyn analysoitujen mallien joukossa.
On syytä huomata, että tietyt patologiset ja kliiniset ominaisuudet voitiin saada vain leikkauksen jälkeen. Tämän vuoksi yhdistelmämalli on merkittävä ennustettaessa leikkauksen jälkeistä ennustetta. Lisäksi tutkimus korosti ultraäänen ja mammografian täydentävää luonnetta rintojen kuvantamisessa, kun ultraäänellä havaitaan leesion muoto ja ominaisuudet ja mammografiaa käytetään kalkkeuman tunnistamiseen.
Vaikka tutkimus osoittaa lupaavia tuloksia, tekijät kehottavat tulevaisuuden tutkimuksissa ulkoista validointia mallien ennustustehokkuuden ja yleistettävyyden arvioimiseksi. Huolimatta tästä syvän oppimisen mallien käytöstä on suuri potentiaali parantaa rintasyövän ennusteiden ennustamista ja siten parantaa potilaiden tuloksia.
Usein kysytyt kysymykset rintasyövän ennusteesta ja syvän oppimisen malleista:
K: Mitä Clinical Breast Cancer -lehdessä julkaistu tutkimus paljasti?
V: Tutkimus paljasti syvän oppimisen mallien potentiaalin toimia tehokkaina ennustustyökaluina rintasyövän ennusteessa.
K: Kuka johti tutkimusta?
V: Tutkimusta johti tohtori Junqi Han ja hänen tiiminsä Kiinan Qingdaon yliopiston sairaalasta.
K: Minkä tyyppistä tietoa tutkimus käytti?
V: Tutkimus yhdisti mammografian kuvia, ultraäänikuvia ja muita ominaisuuksia ennustaakseen rintasyöpäpotilaiden taudittoman selviytymisen.
K: Miten yhdistelmämalli suoriutui verrattuna yksittäisiin kuvantamismenetelmiin?
V: Yhdistetty malli, joka sisälsi sekä mammografian että ultraäänikuvia, osoitti parannusta verrattuna yksittäisten kuvantamismenetelmien käyttöön.
K: Mitä menetelmiä tutkimuksessa käytettiin?
V: Tutkimuksessa käytettiin tekoälyä ja syvän oppimisen menetelmiä, erityisesti käyttämällä syvän oppimisen malleja ResNet50:llä.
K: Miten tiedot kerättiin?
V: Tutkijat keräsivät tietoja 1 242 potilaalta vuosien 2013 ja 2018 välillä jakamalla heidät koulutus- ja testiryhmiin.
K: Kuinka monta mallia tutkimuksessa kehitettiin?
V: Yhteensä viisi mallia kehitettiin: ultraäänen syväoppiminen, mammografian syväoppiminen, ultraäänen ja mammografian syväoppiminen, kliininen malli ja yhdistelmämalli.
K: Mikä malli osoitti korkeimman ennustuskyvyn?
V: Yhdistelmämalli, joka sisälsi ultraääni- ja mammografiakuvia sekä patologisia, kliinisiä ja radiologisia ominaisuuksia, osoitti korkeimman ennustuskyvyn.
K: Miksi yhdistelmämalli on merkittävä leikkauksen jälkeisen ennusteen ennustamisessa?
V: Tietyt patologiset ja kliiniset ominaisuudet voidaan saada vain leikkauksen jälkeen, mikä tekee yhdistelmämallista tärkeän leikkauksen jälkeisen ennusteen ennustamisessa.
K: Mitkä ovat ultraäänen ja mammografian täydentävät roolit rintojen kuvantamisessa?
V: Ultraääntä käytetään leesion muodon ja ominaisuuksien havaitsemiseen, kun taas mammografiaa käytetään kalkkeuman tunnistamiseen.
K: Mitä tekijät kutsuivat tutkimuksessa?
V: Tekijät kutsuivat ulkoista validointia tulevissa tutkimuksissa mallien ennustetehokkuuden ja yleistettävyyden arvioimiseksi.
K: Mikä on syvän oppimisen mallien potentiaali rintasyövän ennusteessa?
V: Syvän oppimisen mallit osoittavat suurta potentiaalia parantaa rintasyövän ennusteiden ennustamista ja siten parantaa potilaiden tuloksia.
Määritelmiä:
– Prognoosi: Lääketieteellisen tilan todennäköinen kulku tai tulos.
– Syväoppimisen mallit: Tietokonemalleja, jotka käyttävät tekoälytekniikoita suuren määrän tietojen käsittelyyn ja tehdä ennusteita tai luokituksia.
– Mammografia: Kuvantamismenetelmä, joka käyttää röntgenkuvia rinnan tutkimiseen rintasyövän tai muiden poikkeavuuksien havaitsemiseksi.
– Ultraääni: Diagnostinen kuvantamismenetelmä, joka käyttää korkeataajuista ääniaaltoa tuottaakseen kuvia kehon rakenteista.
– Radiologit: Lääkärit, jotka erikoistuvat lääketieteellisten kuvien, kuten röntgenkuvien, CT-kuvien ja mammografioiden, tulkintaan.
Ehdotetut liittyvät linkit:
– cancer.org
– National Center for Biotechnology Information (NCBI)
– breastcancer.org
[upota]https://www.youtube.com/embed/qGoCUpa8Qbo[/upota]
The source of the article is from the blog mgz.com.tw