Μια πρόσφατη μελέτη που δημοσιεύθηκε στο Clinical Breast Cancer αποκάλυψε ότι τα μοντέλα deep learning έχουν το δυναμικό να λειτουργήσουν ως αποτελεσματικά εργαλεία πρόβλεψης για την πρόγνωση του καρκίνου του μαστού. Με επικεφαλής τον Δρ. Junqi Han και την ομάδα του από το Συνδεδεμένο Νοσοκομείο του Πανεπιστημίου Qingdao στην Κίνα, η μελέτη απέδειξε την επιτυχία ενός μοντέλου που συνδυάζει δεδομένα από εικόνες μαστογραφίας, εικόνες υπερήχων και άλλα χαρακτηριστικά για την ακριβή πρόβλεψη της επιβίωσης χωρίς νόσημα των ασθενών με καρκίνο του μαστού.
Οι ερευνητές τόνισαν τη βελτιωμένη απόδοση του συνδυασμένου μοντέλου, που χρησιμοποιεί τόσο εικόνες μαστογραφίας όσο και υπερήχων, σε σύγκριση με τη χρήση μονού εικονογραφικού τεχνικών μόνο. Χρησιμοποιώντας την τεχνητή νοημοσύνη και τις τεχνικές της deep learning, οι ραδιολόγοι εξετάζουν νέες προοπτικές για την προώθηση της διάγνωσης και της πρόγνωσης του καρκίνου του μαστού.
Σε αυτή τη μελέτη, η ομάδα συγκέντρωσε δεδομένα από 1.242 ασθενείς μεταξύ 2013 και 2018, διαιρώντας τους σε ομάδες εκπαίδευσης και δοκιμής. Χρησιμοποίησαν μοντέλα deep learning χρησιμοποιώντας τα ResNet50 και ενσωμάτωσαν κλινικά δεδομένα και χαρακτηριστικά εικόνων για να επιλέξουν ανεξάρτητους προγνωστικούς παράγοντες και να εδραιώσουν ένα κλινικό μοντέλο.
Αναπτύχθηκαν συνολικά πέντε μοντέλα: μάθηση βαθιά υπερήχου, μάθηση βαθιά μαστογραφίας, μάθηση βαθιά υπερήχων συν μάστογραφίας, ένα κλινικό μοντέλο και ένα συνδυασμένο μοντέλο. Οι ερευνητές διαπίστωσαν ότι το συνδυασμένο μοντέλο, συμπεριλαμβάνοντας εικόνες από και τις δύο τεχνικές, μαζί με παθολογικά, κλινικά και ακτινογραφικά χαρακτηριστικά, εμφάνισε τη υψηλότερη προγνωστική απόδοση μεταξύ των αναλυθέντων μοντέλων.
Πρέπει να σημειωθεί ότι ορισμένα παθολογικά και κλινικά χαρακτηριστικά μπορούν να αποκτηθούν μόνο μετά από χειρουργική επέμβαση. Ως εκ τούτου, το συνδυασμένο μοντέλο έχει σημασία στην πρόβλεψη της πρόγνωσης μετά την επέμβαση. Επιπλέον, η μελέτη υπογράμμισε το συμπληρωματικό χαρακτήρα των υπερήχων και της μαστογραφίας στην απεικόνιση του μαστού, με τους υπερήχους να χρησιμοποιούνται για την παρατήρηση του σχήματος και των χαρακτηριστικών των βλαβών και τη μαστογραφία να χρησιμοποιείται για την ανίχνευση των ασβεστοποιήσεων.
Παρά τα ελπιδοφόρα αποτελέσματα που δείχνει η μελέτη, οι συγγραφείς ζήτησαν εξωτερική επαλήθευση σε μελλοντικές έρευνες για τη μέτρηση της προγνωστικής αποτελεσματικότητας και γενικότητας των μοντέλων. Παρά ταύτα, η χρήση μοντέλων deep learning δείχνει μεγάλη δυνατότητα για τη βελτίωση της πρόγνωσης του καρκίνου του μαστού και στην τελική αναβάθμιση των αποτελεσμάτων για τους ασθενείς.
Ερωτήσεις και απαντήσεις σχετικά με την πρόγνωση του καρκίνου του μαστού και τα μοντέλα deep learning:
Ε: Τι έδειξε η πρόσφατη μελέτη που δημοσιεύθηκε στο Clinical Breast Cancer;
Α: Η μελέτη απέδειξε το δυναμικό των μοντέλων deep learning να λειτουργούν ως αποτελεσματικά εργαλεία πρόβλεψης για την πρόγνωση του καρκίνου του μαστού.
Ε: Ποιος ήταν ο επικεφαλής της μελέτης;
Α: Η μελέτη ήταν επικεφαλής από τον Δρ. Junqi Han και την ομάδα του από το Συνδεδεμένο Νοσοκομείο του Πανεπιστημίου Qingdao στην Κίνα.
Ε: Ποιον τύπο δεδομένων χρησιμοποίησε η μελέτη;
Α: Η μελέτη συνδύασε δεδομένα από εικόνες μαστογραφίας, εικόνες υπερήχων και άλλα χαρακτηριστικά για την πρόβλεψη της επιβίωσης χωρίς νόσημα των ασθενών με καρκίνο του μαστού.
Ε: Πώς απέδωσε το συνδυασμένο μοντέλο σε σύγκριση με τη χρήση μονού εικονογραφικού
The source of the article is from the blog motopaddock.nl