Nedavna studija objavljena u časopisu Clinical Breast Cancer otkrila je da modeli dubinskog učenja imaju potencijal da služe kao efikasni prediktivni alati za prognozu raka dojke. Predvodio je dr. Junqi Han i njegov tim sa Affiliated Hospital of Qingdao University u Kini, a studija je pokazala uspeh modela koji kombinuje podatke sa mamografija, ultrazvuk slike i druge karakteristike u tačnom predviđanju preživljavanja bez bolesti kod pacijenata sa rakom dojke.
Istraživači su istakli poboljšanu performansu kombinovanog modela koji koristi i slike mamografija i ultrazvuka, u poređenju sa korišćenjem pojedinačnih modaliteta snimanja. Koristeći veštačku inteligenciju i tehnike dubinskog učenja, radiolozi istražuju nove načine za napredak dijagnoze i prognoze raka dojke.
U ovoj studiji, tim je prikupio podatke o 1.242 pacijenta između 2013. i 2018. godine, deleći ih u grupu za obuku i testiranje. Koristili su modele dubinskog učenja koristeći ResNet50 i integrisali kliničke podatke i karakteristike snimanja kako bi odabrali nezavisne prognostičke faktore i uspostavili klinički model.
Ukupno su razvijena pet modela: dubinsko učenje ultrazvuka, dubinsko učenje mamografije, dubinsko učenje ultrazvuka i mamografije, klinički model i kombinovani model. Istraživači su otkrili da je kombinovani model, koji uključuje slike oba modaliteta zajedno sa patološkim, kliničkim i radiografskim karakteristikama, pokazao najveću prediktivnu moć među analiziranim modelima.
Važno je napomenuti da određene patološke i kliničke karakteristike mogu biti dobijene samo nakon hirurškog zahvata. Iz tog razloga, kombinovani model ima značaj u predviđanju prognoze nakon hirurškog zahvata. Dodatno, studija je istakla komplementarnu prirodu ultrazvuka i mamografije u snimanju dojke, sa ultrazvukom koji se koristi za posmatranje oblika i karakteristika lezija, dok se mamografija koristi za identifikaciju kalcifikacija.
Iako studija pokazuje obećavajuće rezultate, autori su pozvali na spoljnu validaciju u budućim istraživanjima kako bi se izmerila prediktivna efikasnost i generalizabilnost modela. Bez obzira na to, upotreba modela dubinskog učenja pokazuje veliki potencijal za poboljšanje prognoze raka dojke i konačno unapređenje rezultata pacijenata.
FAQ sekcija o prognozi raka dojke i modelima dubinskog učenja:
The source of the article is from the blog kewauneecomet.com