מודל למידה מעמיקה מסווג גידולי מוח עם סריקת MRI אחת

Share on facebook
Share on twitter
Share on linkedin
Share on telegram
Share on whatsapp
Share on email
פרסומת
X-ray_Promo1


צוות חוקרים מבית הספר לרפואה של אוניברסיטת וושינגטון פיתחו מודל למידה מעמיקה המסוגל לסווג גידול במוח כאחד משישה סוגים נפוצים באמצעות סריקת MRI תלת -ממדית אחת, כך עולה ממחקר שפורסם ב- רדיולוגיה: בינה מלאכותית.

"זהו המחקר הראשון שהתייחס לגידולים תוך גולגולתיים הנפוצים ביותר וקבע ישירות את סוג הגידול או היעדר גידול מנפח MRI תלת מימדי", אמרה Satrajit Chakrabarty, MS, דוקטורנטית בהנחיית Aristeidis Sotiras, Ph. ד 'ודניאל מרכוס, דוקטורט, במעבדת ההדמיה החישובית של מכון Mallinckrodt במכון מלינקרודט בבית הספר לרפואה של אוניברסיטת וושינגטון בסנט לואיס, מיזורי.

ששת סוגי הגידול תוך גולגולתי הנפוצים ביותר הם גליומה בדרגה גבוהה, גליומה נמוכה, גרורות במוח, מנינגיומה, אדנומה יותרת המוח ונוירומה אקוסטית. כל אחד מהם תועד באמצעות היסטופתולוגיה, המחייבת הסרה של רקמות בניתוח ממקום סרטן החשוד ובדיקתו במיקרוסקופ.

על פי Chakrabarty, גישות מכונה ולמידה עמוקה באמצעות נתוני MRI עלולות להפוך את הגילוי והסיווג של גידולים במוח לאוטומטיים.

"MRI לא פולשני עשוי לשמש כתוספת, או במקרים מסוימים, כחלופה לבדיקה היסטופתולוגית", אמר.

כדי לבנות את מודל הלמידה המכונה שלהם, המכונה רשת עצבית מתפתלת, פיתחו צ'אקארבארטי וחוקרים ממכון מלינקרודט לרדיולוגיה מערך נתונים רב-מוסדי גדול של סריקות MRI תוך גולגולתיות מארבעה מקורות זמינים לציבור. בנוסף לנתונים הפנימיים של המוסד עצמו, הצוות קיבל סריקות MRI שקודם לאחר הניתוח, לאחר ניגודיות T1, מהפילוח של תמונת גידול במוח, האטום הגנום הסרטן גליובלסטומה מולטיפורם והאטום הגנום הסרטן.

החוקרים חילקו בסך הכל 2,105 סריקות לשלוש קבוצות נתונים: 1,396 להכשרה, 361 לבדיקות פנימיות ו -348 לבדיקות חיצוניות. הסט הראשון של סריקות MRI שימש להכשרת הרשת העצבית המתפתלת להפלות בין סריקות בריאות לסריקות עם גידולים ולסווג גידולים לפי סוג. החוקרים העריכו את ביצועי המודל באמצעות נתונים הן מסריקות MRI הפנימיות והן החיצוניות.

באמצעות נתוני הבדיקה הפנימית, המודל השיג דיוק של 93.35% (337 מתוך 361) על פני שבע כיתות הדמיה (מחלקה בריאה ושש כיתות גידול). הרגישויות נעו בין 91% ל -100%, וערך הניבוי החיובי – או ההסתברות שלמטופלים עם בדיקת סקר חיובית באמת חולים במחלה – נע בין 85% ל -100%. ערכי ניבוי שליליים – או ההסתברות שלמטופלים עם בדיקת סקר שלילית אין באמת את המחלה – נעו בין 98% ל -100% בכל השיעורים. תשומת הלב ברשת חופפת לאזורי הגידול לכל סוגי הגידולים.

במערך הבדיקה החיצוני, שכלל רק שני סוגי גידולים (גליומה בדרגה גבוהה וגליומה נמוכה), המודל היה בעל דיוק של 91.95%.

"תוצאות אלו מצביעות על כך שלמידה מעמיקה היא גישה מבטיחה לסיווג אוטומטי והערכה של גידולים במוח", אמר צ'קרברטי. "המודל השיג דיוק גבוה במערך נתונים הטרוגני והראה יכולות הכללה מצוינות על נתוני בדיקה בלתי נראים."

צ'קרברטי אמר כי מודל הלמידה העמוקה בתלת-ממד מתקרב למטרה של זרימת עבודה אוטומטית מקצה לקצה על ידי שיפור גישות דו-ממדיות קיימות, המחייבות רדיולוגים לתחום או לאפיין באופן ידני את אזור הגידול בבדיקת MRI לפני עיבוד מכונה. הרשת העצבית המתפתלת מבטלת את הצעד המייגע ועתיר העבודה של פילוח הגידול לפני הסיווג.

ד"ר סוטיראס, מפתח משותף של המודל, אמר כי ניתן להרחיב אותו לסוגי גידולים אחרים במוח או להפרעות נוירולוגיות, דבר שיכול לספק דרך להגדיל חלק ניכר מזרימת העבודה הנוירורדיולוגית.

"רשת זו היא הצעד הראשון לקראת פיתוח זרימת עבודה רדיולוגית מוגברת בינה מלאכותית שיכולה לתמוך בפרשנות דימויים על ידי מתן מידע כמותי וסטטיסטיקה", הוסיף צ'קרברטי.

.



קישור לכתבת המקור – 2021-08-11 17:08:07

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on telegram
Telegram
Share on whatsapp
WhatsApp
Share on email
Email
פרסומת
תכנון תשתיות רפואיות

עוד מתחומי האתר