Dirbtinis intelektas gali pagerinti medicininių vaizdų duomenų analizę. Pavyzdžiui, giluminiu mokymusi pagrįsti algoritmai gali nustatyti navikų vietą ir dydį. Tai tarptautinio medicininių vaizdų analizės konkurso AutoPET rezultatas, kuriame Karlsrūhės technologijos instituto (KIT) mokslininkai užėmė penktą vietą. Septynios geriausios autoPET komandos žurnale Nature Machine Intelligence praneša, kaip algoritmai gali aptikti naviko pažeidimus pozitronų emisijos tomografijoje (PET) ir kompiuterinėje tomografijoje (KT).
Vaizdo gavimo metodai atlieka pagrindinį vaidmenį diagnozuojant vėžį. Norint pasirinkti tinkamą gydymą, būtina tiksliai nustatyti navikų vietą, dydį ir tipą. Svarbiausi vaizdo gavimo metodai yra pozitronų emisijos tomografija (PET) ir kompiuterinė tomografija (KT). PET naudoja radionuklidus medžiagų apykaitos procesams organizme vizualizuoti. Piktybinių navikų metabolizmo greitis yra daug didesnis nei gerybinių audinių. Tam naudojama radioaktyviai pažymėta gliukozė, dažniausiai fluoro-18-deoksigliukozė (FDG). Atliekant KT, kūnas po sluoksnio nuskaitomas rentgeno vamzdelyje, kad būtų galima vizualizuoti anatomiją ir lokalizuoti navikus.
Automatizavimas gali sutaupyti laiko ir pagerinti įvertinimą
Vėžiu sergantiems pacientams kartais būna šimtai pažeidimų, ty patologinių pakitimų, kuriuos sukelia auglių augimas. Norint gauti vienodą vaizdą, būtina užfiksuoti visus pažeidimus. Gydytojai nustato naviko pažeidimų dydį rankiniu būdu pažymėdami 2D pjūvio vaizdus – tai itin daug laiko reikalaujanti užduotis. „Automatinis vertinimas naudojant algoritmą sutaupytų labai daug laiko ir pagerintų rezultatus“, – aiškina profesorius Raineris Stiefelhagenas, KIT žmogaus ir kompiuterio sąveikos laboratorijos kompiuterinės vizijos (cv:hci) vadovas.
Raineris Stiefelhagenas ir cv:hci doktorantas Zdravko Marinovas 2022 m. dalyvavo tarptautiniame autoPET konkurse ir užėmė penktą vietą iš 27 komandų, kuriose dalyvavo 359 dalyviai iš viso pasaulio. Karlsrūhės mokslininkai sudarė komandą su profesoriumi Jensu Kleesieku ir Larsu Heiligeriu iš Esene įsikūrusio IKIM – Dirbtinio intelekto medicinos instituto. Tiubingeno universitetinės ligoninės ir Miuncheno LMU ligoninės organizuojamas autoPET derino vaizdavimą ir mašininį mokymąsi. Užduotis buvo automatiškai segmentuoti metaboliškai aktyvius naviko pažeidimus, vizualizuotus viso kūno PET / KT. Algoritmo mokymui dalyvaujančios komandos turėjo prieigą prie didelio anotuoto PET / CT duomenų rinkinio. Visi galutiniam konkurso etapui pateikti algoritmai yra pagrįsti giluminio mokymosi metodais. Tai mašininio mokymosi variantas, kuriame naudojami daugiasluoksniai dirbtiniai neuroniniai tinklai, siekiant atpažinti sudėtingus modelius ir koreliacijas dideliuose duomenų kiekiuose. Septynios geriausios „autoPET“ konkurso komandos dabar pranešė apie medicininių vaizdų duomenų automatizuotos analizės galimybes Gamtos mašinos intelektas žurnalas.
Algorithm Ensemble puikiai tinka aptikti naviko pažeidimus
Kaip savo publikacijoje aiškina tyrėjai, geriausiai įvertintų algoritmų ansamblis pasirodė esąs pranašesnis už atskirus algoritmus. Algoritmų visuma gali efektyviai ir tiksliai aptikti naviko pažeidimus. „Nors vaizdų duomenų vertinimo algoritmų našumas iš dalies priklauso nuo duomenų kiekio ir kokybės, algoritmo dizainas yra dar vienas esminis veiksnys, pavyzdžiui, atsižvelgiant į sprendimus, priimtus apdorojant numatomą segmentavimą. aiškina Stiefelhagenas. Reikia atlikti tolesnius tyrimus siekiant tobulinti algoritmus ir padaryti juos atsparesnius išorės poveikiui, kad juos būtų galima naudoti kasdienėje klinikinėje praktikoje. Tikslas – artimiausiu metu visiškai automatizuoti medicininių PET ir KT vaizdų duomenų analizę.