Een recente studie gepubliceerd in Clinical Breast Cancer heeft aangetoond dat deep-learning modellen het potentieel hebben om effectieve voorspellende tools te zijn voor de prognose van borstkanker. Het onderzoek, geleid door Dr. Junqi Han en zijn team van het Affiliated Hospital of Qingdao University in China, toonde het succes aan van een model dat gegevens van mammografiebeelden, echografiebeelden en andere kenmerken combineert om de ziektevrije overleving van borstkankerpatiënten nauwkeurig te voorspellen.
De onderzoekers benadrukten de verbeterde prestaties van het gecombineerde model, dat zowel mammografie- als echografiebeelden gebruikt, in vergelijking met het gebruik van afzonderlijke beeldvormingstechnieken. Door gebruik te maken van kunstmatige intelligentie en diepe leer technieken, verkennen radiologen nieuwe mogelijkheden voor de diagnose en prognose van borstkanker.
In deze studie verzamelde het team gegevens van 1.242 patiënten tussen 2013 en 2018, waarbij ze hen verdeelden in trainings- en testgroepen. Ze maakten gebruik van deep-learning modellen met behulp van ResNet50 en integreerden klinische gegevens en beeldvormingskenmerken om onafhankelijke prognostische factoren te selecteren en een klinisch model op te stellen.
In totaal werden vijf modellen ontwikkeld: een diepe leermodel voor echografie, een diepe leermodel voor mammografie, een diepe leermodel voor echografie plus mammografie, een klinisch model en een gecombineerd model. De onderzoekers ontdekten dat het gecombineerde model, waarbij beelden van beide modaliteiten werden gecombineerd met pathologische, klinische en radiografische kenmerken, de hoogste voorspellende prestaties vertoonde onder de geanalyseerde modellen.
Het is vermeldenswaardig dat bepaalde pathologische en klinische kenmerken pas na de operatie kunnen worden verkregen. Hierdoor is het gecombineerde model belangrijk bij het voorspellen van de prognose na de operatie. Bovendien benadrukte de studie de aanvullende rol van echografie en mammografie bij borstbeeldvorming, waarbij echografie wordt gebruikt om de vorm en kenmerken van de laesie te observeren en mammografie wordt gebruikt om verkalking te identificeren.
Hoewel de studie veelbelovende bevindingen laat zien, pleiten de auteurs voor externe validatie in toekomstig onderzoek om de voorspellende effectiviteit en generaliseerbaarheid van de modellen te meten. Ondanks dit tonen het gebruik van deep-learning modellen een groot potentieel voor het verbeteren van de prognosevoorspelling van borstkanker en uiteindelijk voor het verbeteren van de uitkomsten voor patiënten.
Veelgestelde vragen over Prognose van Borstkanker en Deep-Learning Modellen:
The source of the article is from the blog anexartiti.gr