BOSTON – Jak wynika z badania zaprezentowanego 21 października na konferencji Machine Intelligence in Medical Imaging (CMIMI), ujednolicona platforma głębokiego uczenia się może dokładnie identyfikować i opisywać guzy ślinianki przyusznej (PGT) w tomografii komputerowej.
Naukowcy pod kierunkiem dr Wei Shao z Uniwersytetu Kalifornijskiego w Irvine zaobserwowali wysoką dokładność wieloetapowego rurociągu łączącego model badania przesiewowego pierwszego przejścia z późniejszym modelem ukierunkowanej segmentacji, co może pomóc w identyfikacji brakujących PGT w rzeczywistych procesach klinicznych . Odkryciami podzielono się na spotkaniu zorganizowanym przez Towarzystwo Informatyki Obrazowej w Medycynie (SIIM).
„Stworzyliśmy zautomatyzowany proces badań przesiewowych, który umożliwia dokładne wykrywanie potencjalnych pacjentów z guzem ślinianki przyusznej dzięki rutynowego obrazowania CT” – powiedział Shaw.
PGT są najczęstszymi guzami gruczołów ślinowych, a wiele z nich wykrywa się przypadkowo w tomografii komputerowej. Chociaż częstość występowania nowotworów ślinianki przyusznej wynosi od jednego do trzech na 100 000 osób, jeden na pięć PGT jest nowotworem złośliwym. Shaw powiedział, iż wraz ze wzrostem objętości obrazowania radiologowie, dla których priorytetem jest ostra patologia, wiele PGT jest pomijanych.
„To, iż nie ma tego w raporcie radiologicznym, nie oznacza, iż jest to prawdziwy wynik negatywny [case]powiedział Shaw.
Shaw przedstawił opracowane przez swój zespół połączone podejście głębokiego uczenia się do oportunistycznego wykrywania PGT CT. Naukowcy skupili się na udoskonaleniu uzupełniających celów w badaniach przesiewowych i segmentacji nowotworów.
Naukowcy zgromadzili retrospektywny zestaw danych obejmujący 11 449 kolejnych badań CT bez kontrastu z dwóch ośrodków akademickich. Jeden neuroradiolog zidentyfikował i opisał PGT większe niż 10 mm na podstawie wybranych raportów radiologicznych i histopatologicznych. Ostateczna analiza objęła 219 PGT.
Zespół wykorzystał wieloetapowy proces głębokiego uczenia się, aby ulepszyć swój model wykrywania PGT. Tutaj prototyp identyfikuje lokalizację każdej ślinianki przyusznej. Tymczasem pojedynczy model 3D U-Net wykonuje zadania segmentacji i kontroli. Naukowcy skalibrowali progi przewidywania dodatnich wokseli, aby przekształcić wyniki segmentacji w wyniki skanowania binarnego.
Najlepszy model przesiewowy z podejścia łączonego uzyskał wysokie oceny za swoistość, czułość i dokładność w przypadku każdego testu i innych środków. Tymczasem najlepszy model segmentacji osiągnął średni wynik w kostkach.
| Pomiar (dla modelu inspekcyjnego, chyba iż zaznaczono inaczej) | wartość |
| prywatność | 94,7% |
| wrażliwy | 71,9% |
| Dodatnia wartość predykcyjna | 85,8% |
| Ujemna wartość predykcyjna | 87,8% |
| dokładność | 87,2% |
| Wynik w kostkach (model skrótu) | 0,71 |
Z pozytywnych prognoz pierwotny lekarz tłumaczący przeoczył sześć guzów. Zespół zauważył, iż ogólnie entropia krzyżowa była skuteczniejsza od utraty ostrości w przypadku segmentacji, podczas gdy w badaniach przesiewowych sytuacja była odwrotna ze względu na lepszą specyficzność i redukcję wyników fałszywie dodatnich.
Wreszcie zespół odkrył, iż stosowanie negatywnych przykładów szkoleniowych doprowadziło do niższych wyników w zakresie guza w grze w kości, jednocześnie zmniejszając liczbę fałszywych alarmów w zadaniach przesiewowych.
Wyniki wskazują, iż podejście to może ułatwić ostateczną pracę lekarzy, powiedział Shaw.
Zapłata AuntMinnie.comRelacja CMIMI 2024 tutaj.
