Program umělé inteligence přesně předpovídá riziko rakoviny plic

Schematické znázornění konvolučních neuronových sítí (CNN) použitých v algoritmu hlubokého učení k posouzení rizika malignit plicních uzlin zjištěných při nízkodávkovém screeningovém CT. Vzhledem k CT obrazu a souřadnicím plicního uzlu byla kolem uzlu odstraněna trojrozměrná (3D) skvrna o velikosti 50 mm a převzorkování na 64 pixelů (px) v každém směru. U dvourozměrného (2D) CNN bylo z trojrozměrného pole rozděleno devět různých pohledů. Funkce byly extrahovány pomocí ResNet50 CNN pro každý dvourozměrný pohled a funkce byly zkombinovány do plně propojené vrstvy. U trojrozměrné CNN je celá trojrozměrná oprava napájena jako vstup do trojrozměrné CNN Inceptionv1. Obě architektury měly dokončovací vrstvu, která vytvářela nepřetržitý výstup. Nakonec byly výstupy z dvourozměrných a trojrozměrných CNN průměrovány pro výpočet rizika malignity plic mezi 0 a 1. Zásluhy: Severoamerická radiologická společnost

Program umělé inteligence (AI) přesně předpovídá riziko, že plicní uzliny detekované při CT screeningu se stanou karcinogenními, uvádí studie zveřejněná v časopise Radiologie.

Podle Světové zdravotnické organizace je rakovina plic hlavní příčinou úmrtí na rakovinu na světě, s odhadem 1,8 milionu úmrtí v roce 2020. Nízkodávková CT prsu se používá k screeningu lidí s vysokým rizikem rakoviny plic, jako jsou dlouhodobí kuřáci. Bylo prokázáno, že významně snižuje úmrtnost na rakovinu plic, a to především tím, že pomáhá detekovat rakovinu v rané fázi, kdy je snazší úspěšně ji léčit.

Ačkoli se rakovina plic obvykle na CT obrazech zobrazuje jako plicní uzliny, většina uzlin je benigních a nevyžaduje další klinickou léčbu. Proto je přesné rozlišení mezi benigními a maligními uzlíky zásadní pro včasné zachycení rakoviny.

CT uzliny rakoviny plic

Příklady CT snímků uzlin ze studie Danish Lung Cancer Study (DLCST) s (ad) vysokou a (eh) nízkou shodou algoritmu hlubokého učení (DL) a lékařů pro hodnocení rizika maligních onemocnění. Čísla v prstencích v levém dolním rohu každého obrázku představují skóre malignity algoritmu a čísla prstenů v pravém dolním rohu každého obrázku představují průměrné skóre malignity klinického lékaře. Rozsah barevné výplně je úměrný riziku malignity (na stupnici od 0 do 1, kde 0 představuje nejnižší riziko a 1 nejvyšší riziko). (a) Obrázek ukazuje 15 mm ostrý a lobulovaný maligní uzlík (šipka) správně klasifikovaný DL algoritmem a klinickými lékaři. (b) Obrázek ukazuje 11milimetrový benigní uzlík (šipka) správně klasifikovaný DL algoritmem a klinickými lékaři. (c) Obrázek ukazuje benigní 29 mm lézi (šipka), o které má algoritmus DL a kliničtí lékaři podezření, že je maligním uzlem. U tohoto účastníka byla při klinické léčbě diagnostikována pneumonie. (d) Obrázek ukazuje 5 mm maligní uzlík (šipka) nazývaný benigní jak DL algoritmem, tak klinickým lékařem. Růst uzlu lze pozorovat z následných CT skenů. (e) Obrázek ukazuje 15 mm solidní maligní uzlík (šipka), který je správně klasifikován DL algoritmem a že sedm z 11 lékařů nemá podezření na maligní onemocnění. (f) Obrázek ukazuje benigní uzlík 8 mm (šipka), který lékaři předpovídají, že je mírně podezřelý, a algoritmus DL jej nazývá benigní. (g) Obrázek ukazuje 11milimetrový uzel (šipka), který většina kliniků předpovídá, je mírně podezřelý, ale algoritmus DL volá neškodný. (h) Obrázek ukazuje benigní 16 mm lézi (šipka), kterou klinici správně klasifikovali, a algoritmus DL předpovídá, že je vysoce podezřelá. Uznání: North American Radiological Society

Pro nový výzkum vědci vyvinuli algoritmus pro hodnocení plicních uzlin pomocí hlubokého učení, aplikace AI, která dokáže najít konkrétní vzory v obrazových datech. Vědci vyškolili algoritmus na CT skenování více než 16 000 uzlů, včetně 1 249 malignit, z Národního vyšetření plic. Testovali algoritmus na třech velkých souborech dat uzlů z dánské studie rakoviny plic.

Algoritmus hlubokého učení přinesl vynikající výsledky a překonal zavedený pankanadský model včasné detekce rakoviny plic pro hodnocení rizika malignity plicních uzlin. Srovnatelně si vedla s 11 lékaři, včetně čtyř hrudních radiologů, pěti obyvatel radiologie a dvou pulmonologů.

„Algoritmus může pomoci radiologům přesně posoudit riziko malignity plic,“ uvedl první autor studie Kiran Vaidhya Venkadesh, Ph.D. kandidát na skupinu pro diagnostickou analýzu obrazu v Radboud University Medical Center v nijmegenském Nizozemsku. „To může pomoci optimalizovat další doporučení pro účastníky screeningu rakoviny plic.“

Algoritmus potenciálně přináší klinice několik dalších výhod, uvedli vědci.

Část pevného maligního uzlíku

15 milimetrový částečně pevný maligní uzlík z dánského testu rakoviny plic (DLCST), při pohledu z axiálního, koronálního a sagitálního pohledu (levá strana). Uzlík byl nalezen v pravém horním laloku a sloupcový graf (vpravo) ukazuje, že většina lékařů neměla podezření, že uzel byl maligní, s výjimkou jednoho hrudního radiologa a pulmonologa. Algoritmus hlubokého učení (DL) správně klasifikoval tento uzel jako maligní. Uznání: North American Radiological Society

„Protože nevyžaduje manuální interpretaci charakteristik zobrazování uzlů, navrhovaný algoritmus může snížit významnou variabilitu interpretace CT mezi servery,“ uvedl vedoucí autor Colin Jacobs, odborný asistent na katedře medicínského zobrazování na Medical University Center v Nijmegenu . „To může vést k méně zbytečným diagnostickým zásahům, nižší pracovní zátěži radiologů a nižším nákladům na screening rakoviny plic.“

Vědci plánují pokračovat ve zlepšování algoritmu zahrnutím klinických parametrů, jako je věk, pohlaví a historie kouření.

Pracují také na algoritmu hlubokého učení, který bere jako vstup několik CT. Současný algoritmus je velmi vhodný pro analýzu uzlů při počátečním nebo základním screeningu, ale pro uzly detekované při následném screeningu jsou růst a vzhled důležité ve srovnání s předchozím CT.

Dr. Jacobs a kolegové vyvinuli další algoritmy pro spolehlivou extrakci zobrazovacích znaků z CT hrudníku souvisejících s chronickou obstrukční plicní nemocí a kardiovaskulárními chorobami. Prozkoumá, jak efektivně integrovat tyto zobrazovací funkce do aktuálního algoritmu.

Odkaz: „Hloubkové učení k posouzení rizika maligních plicních onemocnění zjištěných při nízkodávkových CT“ dne 18. května 2021, Radiologie.

Spolupráce s Kiranem V. Venkadeshem a kol. Colin Jacobs, byli Arnaud AA Setio, Ph.D., Anton Schreuder, Ph.D. Med., Ernst T. Scholten, dr. Med., Dr. Kaman Chung, Ph.D. Med. , Mathilde MW Wille, dr. Med., Dr. Zaigham Saghir, Ph.D. Med. Dr. Bram van Ginneken a kol. Mathias Prokop, Ph.D. Med.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Drsná kůra, která se v noci ozývá, vede k objevení nových druhů

V lesích západní a střední Afriky se v noci ozývají hlasitá volání hybridů stromů - malých, býložravých savců, ale jejich zvuk se liší podle...

Nástroj Nový nástroj určený k podpoře vývoje a vývoje automobilových vozidel

Schematický vnitřní provoz elektrod v palivovém článku և kapacita základních parametrů. Půjčka:Heinz a kol., 2021: Široké používání tradičních vozidel na vodíkový pohon nad tradičními...

Identifikace velmi počátečních kroků, které vedou k rozvoji rakoviny

Konfokální mikrofotografie tenkého střeva myši pomocí technologie Red2Onco. S Red2Onco můžete označit onkogenní mutantní klony (červené klony) a běžné nebo divoké klony (žluté...

Neandertálci a raná moderní lidská kultura koexistovali vedle starších tradic již více než 100 000 let

Výzkum Fakulty antropologie a ochrany na University of Kent zjistil, že jedna z prvních kultur kamenných nástrojů známá jako Acheulean trvala pravděpodobně o desítky...

Snadná věda: co jsou sterilní neutrina?

Sterilní neutrina jsou speciální typ neutrin, který byl navržen k vysvětlení některých neočekávaných experimentálních výsledků, ale nakonec nebyl objeven. Vědci je hledají v...

Newsletter

Subscribe to stay updated.