На недавно изследване, публикувано в Clinical Breast Cancer, се разкрива, че дълбоките модели за обучение имат потенциала да служат като ефективни прогностични инструменти за прогнозиране на прогнозата при рак на гърдата. Воден от д-р Джунки Хан и неговия екип от Асоциираната болница към Университета в Циндао, Китай, проучването показа успеха на модел, който комбинира данни от дигитални мамографски снимки, ултразвукови снимки и други характеристики, за точно прогнозиране на здравето без болест на пациентите с рак на гърдата.
Изследователите подчертават подобрената ефективност на комбинирания модел, който използва както мамографски, така и ултразвукови снимки, в сравнение с използването на самостоятелни методи за снимане. Чрез използването на изкуствен интелект и техники за дълбоко обучение, радиолозите изследват нови възможности за напредък в диагностицирането и прогнозирането на рака на гърдата.
В това изследване екипът събра данни от 1 242 пациента в периода от 2013 до 2018 г., като ги раздели на групи за обучение и тестване. Те използваха модели за дълбоко обучение, използвайки ResNet50 и интегрираха клинични данни и характеристики от снимки, за да изберат независими прогностични фактори и да създадат клиничен модел.
Бяха разработени общо пет модела: модел за ултразвуково дълбоко обучение, модел за мамографско дълбоко обучение, модел за комбинирано дълбоко обучение на ултразвук и мамография, клиничен модел и комбиниран модел. Изследователите установиха, че комбинираният модел, който включва снимки от двете метода за снимане, в съчетание с патологични, клинични и радиологични характеристики, проявява най-висока прогностична ефективност сред анализираните модели.
Струва си да се отбележи, че някои патологични и клинични характеристики могат да се получат само след операция. Следователно комбинираният модел има значение при прогнозирането на прогнозата след операция. Освен това изследването подчертава допълващия характер на ултразвука и мамографията в образуването на гърдата, като ултразвукът се използва за наблюдение на формата и характеристиките на увреждането, а мамографията – за откриване на калцификация.
Въпреки че изследването показва обещаващи резултати, авторите призовават за външна валидация в бъдещи изследвания, за да се измери прогностичната ефективност и обобщяемост на моделите. Въпреки това, използването на моделите за дълбоко обучение показва голям потенциал за подобряване на прогнозирането на прогнозата за рака на гърдата и в последствие за подобряване на резултатите за пациентите.
FAQ секция за прогнозата на рак на гърдата и моделите за дълбоко обучение:
В: Какво разкрива недавното изследване, публикувано в Clinical Breast Cancer?
А: Изследването открива потенциала на моделите за дълбоко обучение да служат като ефективни прогностични инструменти за прогнозиране на рака на гърдата.
В: Кой е ръководителят на изследването?
А: Изследването бе ръководено от д-р Джунки Хан и неговия екип от Асоциираната болница към Университета в Циндао, Китай.
В: Какъв тип данни използваше изследването?
А: Изследването комбинира данни от дигитални мамографски снимки, ултразвукови снимки и други характеристики, за да прогнозира здравето без болест на пациентите с рак на гърдата.
В: Как се прояви комбинираният модел спрямо използването на самостоятелни методи за снимане?
А: Комбинираният модел, който включва както мамографски, така и ултразвукови снимки, показва по-висока ефективност в сравнение с използването на самостоятелни методи за снимане.
В: Какви техники се използват в изследването?
А: Изследването използва изкуствен интелект и техники за дълбоко обучение, по-конкретно използвайки модели за дълбоко обучение с ResNet50.
В: Как са събрани данните?
А: Изследователите събраха данни от 1 242 пациента в периода от 2013 до 2018 г., като ги разделиха на групи за обучение и тестване.
В: Колко модела са разработени в изследването?
А: Общо са изработени пет модела: модел за ултразвуково дълбоко обучение, модел за мамографско дълбоко обучение, модел за комбинирано дълбоко обучение на ултразвук и мамография, клиничен модел и комбиниран модел.
В: Кой модел показва най-висока прогностична ефективност?
А: Комбинираният модел, който включва снимки от ултразвук и мамография, заедно с патологични, клинични и радиографски характеристики, показва най-висока прогностична ефективност.
В: Защо комбинираният модел е важен за прогнозирането на прогнозата след операция?
А: Някои патологични и клинични характеристики могат да се получат само след операция, което прави комбинираният модел от съществено значение при прогнозирането на прогнозата след операция.
В: Какви са допълващите роли на ултразвука и мамографията в образуването на гърдата?
А: Ултразвукът се използва за наблюдение на формата и характеристиките на увреждането, докато мамографията се използва за откриване на калцификация.
В: Какво призоваха авторите на изследването?
А: Авторите призоваха за външна валидация в бъдещи изследвания, за да се измери прогностичната ефективност и обобщяемостта на моделите.
В: Какъв е потенциалът на използването на моделите за дълбоко обучение за прогнозиране на рака на гърдата?
А: Моделите за дълбоко обучение имат голям потенциал за подобряване на прогнозирането на прогнозата за рака на гърдата и в крайна сметка за подобряване на резултатите за пациентите.
Дефиниции:
– Прогноза: Вероятният ход или резултат от медицинско състояние.
– Дълбоките модели за обучение: Компютърни модели, които използват техники на изкуствен интелект, за да обработват големи количества данни и да правят прогнози или класификации.
– Мамография: Техника за изображение, която използва рентгенови лъчи, за да преглежда гърдата и да открива признаци на рак на гърдата или други аномалии.
– Ултразвук: Диагностична техника за образно изображение, която използва високочестотни звукови вълни, за да произвежда изображения на структурите в организма.
– Радиолози: Лекари, специализирали се в тълкуването на медицински изображения, като рентгени, компютърни томог
The source of the article is from the blog mendozaextremo.com.ar