Ein nyleg studie publisert i Clinical Breast Cancer har avslørt at deep-learning-modeller har potensial til å fungere som effektive prediktive verktøy for prognoseprediksjon av brystkreft. Leidd av Dr. Junqi Han og hans team frå det tilknytte sjukehuset til Qingdao University i Kina, demonstrerte studien suksessen til ein modell som kombinerer data frå mammografi-bilete, ultralydbilete og andre kjenneteikn for å nøyaktig forutsjå sjukdomsfri overleving for pasientar med brystkreft.
Forskarane framheva den forbetra ytelsen til den kombinerte modellen, som bruker både mammografi- og ultralydbilete, samanlikna med å bruke berre enkelt biletemodi. Ved å nytte seg av kunstig intelligens og deep learning-teknikkar, utforskar radiologar nye vegar for å avansere brystkreftdiagnose og prognose.
I denne studien samla teamet data frå 1 242 pasientar mellom 2013 og 2018, der dei delte dei inn i trenings- og testgrupper. Dei brukte deep-learning-modeller med ResNet50 og integrerte kliniske data og bilete-kjenneteikn for å velje uavhengige prognostiske faktorar og etablere ein klinisk modell.
Det vart utvikla totalt fem modellar: ultralyd deep learning, mammografi deep learning, ultralyd pluss mammografi deep learning, ein klinisk modell og ein kombinert modell. Forskarane fann at den kombinerte modellen, som innarbeidet bilete frå begge modalitetane både med patologiske, kliniske og radiografiske kjenneteikn, viste den høgaste prediktive ytelsen blant dei analyserte modellane.
Det er viktig å merke seg at visse patologiske og kliniske kjenneteikn berre kan oppnåast etter kirurgi. Som følge av dette har den kombinerte modellen ein signifikans i å forutsjå prognose etter kirurgi. I tillegg vektla studien den komplementære naturen til ultralyd og mammografi i brystavbildning, der ultralyd blir brukt for å observere lesjonsform og kjenneteikn, medan mammografi blir brukt for å identifisere forkalking.
Sjølv om studien viser lovande resultat, oppfordra forfattarane til ekstern validering i framtidig forsking for å måle den prediktive effektiviteten og generaliserbarheten til modellane. Til tross for dette viser bruken av deep-learning-modeller stor potensial for å forbedre prognoseprediksjon for brystkreft og til slutt forbedre pasientresultat.
Ein FAQ-seksjon om prognose for brystkreft og deep-learning-modeller:
Spørsmål: Kva avslørte den nylege studien publisert i Clinical Breast Cancer?
Svar: Studien avslørte potensialet til deep-learning-modeller som effektive prediktive verktøy for prognose for brystkreft.
Spørsmål: Kven ledde studien?
Svar: Studien blei leidd av Dr. Junqi Han og hans team fra det tilknytte sjukehuset til Qingdao University i Kina.
Spørsmål: Kva type data brukte studien?
Svar: Studien kombinerte data frå mammografi-bilete, ultralydbilete og andre kjenneteikn for å forutsjå sjukdomsfri overleving hos pasientar med brystkreft.
Spørsmål: Korleis presterte den kombinerte modellen samanlikna med bruk av enkelt biletemodi?
Svar: Den kombinerte modellen, som inkorporerte både mammografi- og ultralydbilete, viste forbetra ytelse samanlikna med bruk av berre enkelt biletemodi.
Spørsmål: Kva teknikkar blei brukt i studien?
Svar: Studien nytta kunstig intelligens og deep learning-teknikkar, spesifikt deep-learning-modellar med ResNet50.
Spørsmål: Korleis vart dataen samla?
Svar: Forskarane samla data frå 1 242 pasientar mellom 2013 og 2018, der dei delte dei inn i trenings- og testgrupper.
Spørsmål: Kor mange modellar blei utvikla i studien?
Svar: Det vart utvikla totalt fem modellar: ultralyd deep learning, mammografi deep learning, ultralyd pluss mammografi deep learning, ein klinisk modell og ein kombinert modell.
Spørsmål: Kva modell viste den høgaste prediktive ytelsen?
Svar: Den kombinerte modellen, som inkorporerte bilete frå både ultralyd og mammografi, i tillegg til patologiske, kliniske og radiografiske kjenneteikn, viste den høgaste prediktive ytelsen.
Spørsmål: Kvifor er den kombinerte modellen viktig i å forutsjå prognose etter kirurgi?
Svar: Visse patologiske og kliniske kjenneteikn kan berre oppnåast etter kirurgi, og derfor er den kombinerte modellen avgjerande i å forutsjå prognose etter kirurgi.
Spørsmål: Kva er dei komplementære rollene til ultralyd og mammografi i brystavbildning?
Svar: Ultralyd blir brukt for å observere lesjonsform og kjenneteikn, medan mammografi blir brukt for å identifisere forkalking.
Spørsmål: Kva oppfordra forfattarane av studien til?
Svar: Forfattarane oppfordra til ekstern validering i framtidig forsking for å måle den prediktive effektiviteten og generaliserbarheten til modellane.
Spørsmål: Kva potensial har bruken av deep-learning-modeller for prognose av brystkreft?
Svar: Deep-learning-modeller viser stort potensial for å forbedre prognoseprediksjon for brystkreft og til slutt forbedre pasientresultat.
Definisjonar:
– Prognose: Den trulege forløpet eller utfallet av ein medisinsk tilstand.
– Deep-learning-modellar: Datamodellar som brukar kunstig intelligens-teknikkar til å prosessere store mengder data og gjere forutsjellingar eller klassifiseringar.
– Mammografi: Ein avbildningsteknikk som brukar røntgenstrålar til å undersøkje brystet for teikn på brystkreft eller andre avvik.
– Ultralyd: Ein diagnostisk avbildningsteknikk som brukar høgfrekvente lydbølgjer til å produsere bilete av strukturar i kroppen.
– Radiologar: Legar som er spesialisert i tolking av medisinske bilete, som røntgen, CT-skannar og mammogram.
Foreslåtte relaterte lenker:
– cancer.org
– National Center for Biotechnology Information (NCBI)
– breastcancer.org
The source of the article is from the blog regiozottegem.be