نوع جدیدی از شبکه عصبی چند نمونه ای برای تشخیص بهتر سرطان تخمدان

گروهی از دانشمندان در موسسه مهندسی و فناوری بیومدیکال سوژو (SIBET) در آکادمی علوم چین روش جدیدی را با توجه و محتوای مبتنی بر روش (MAC)-Net برای کمک به تمایز بهتر قبل از عمل بین تومورهای تخمدان اپیتلیال مرزی (BEOTs) پیشنهاد کردند. ) و تومورهای بدخیم اپیتلیال تخمدان (MEOTs)، دو تومور مختلف زنانه.

استفاده نوآورانه از MAC-Net، یک شبکه عصبی کانولوشن چند نمونه ای (MICNN) با توجه مبتنی بر مدالیته (MA) و لایه ادغام MIL متنی (C-MPL)، ممکن است بر کاستی های روش های تشخیص مبتنی بر تصویر پزشکی هوش چندوجهی موجود غلبه کند.

به گفته دکتر جیان جونمینگ، یکی از دانشمندان برجسته این تحقیق در SIBET، ماژول MA می تواند از الگوهای تصمیم گیری پزشکان بیاموزد تا به طور خودکار اهمیت روش های مختلف MRI را درک کند و بر اساس اهمیت آنها به ترکیب ویژگی های MRI چندوجهی دست یابد. .

ماژول C-MPL از دانش قبلی قوی از توزیع تومور به عنوان یک مرجع مهم استفاده می کند و اطلاعات متنی را بین تصاویر مجاور ارزیابی می کند، بنابراین به پیش بینی دقیق تری دست می یابد.

گائو شین، سرپرست تیم تحقیقاتی، گفت: «عملکرد MAC-Net برتر است، با مساحت زیر منحنی مشخصه عملکرد گیرنده 0.878، که از چندین رویکرد شناخته شده MICNN پیشی می‌گیرد.»

MEOT ها کشنده ترین بدخیمی های زنان هستند که 90 درصد موارد سرطان تخمدان را تشکیل می دهند. در مقابل، BEOT دارای پتانسیل بدخیم کم و بدون تهاجم استرومایی است. BEOTs مستعد ابتلا به پیش آگهی بهتر از MEOTs با نرخ بقای 5 ساله 92٪ از 35٪ دومی هستند.

بیماران BEOT می توانند تحت درمان محافظه کارانه برای حفظ باروری و عملکرد تخمدان قرار گیرند، در حالی که بیماران MEOT به مرحله بندی جراحی کامل و شیمی درمانی کمکی بعدی نیاز دارند.

بنابراین، تمایز دقیق قبل از عمل بین BEOTs و MEOTs برای تعیین استراتژی‌های درمانی مناسب و بهبود کیفیت زندگی پس از عمل بسیار مهم است.

در حال حاضر، تمایز قبل از عمل بین BEOT و MEOT عمدتا توسط رادیولوژیست ها با استفاده از تصاویر MRI چند پارامتری تعیین می شود.

جیان گفت: «این روش بسیار بر تجربه متکی است، ذهنی، زمان‌بر است و دقت نسبتاً پایینی از 74 درصد تا 89 درصد دارد.

با این روش می توان بدون مرز دقیق تومور، اما تنها با تعیین موقعیت بالا و پایین تومور، به تشخیص خودکار دست یافت و در نتیجه آن را هوشمندتر کرد.

MAC-Net سازگاری تصویر قوی و سازگاری با بیماری را نشان می دهد. MAC-Net نه تنها می تواند برای همجوشی MRI چند پارامتری استفاده شود، بلکه می تواند به فیوژن تصاویر چندوجهی (مانند CT، PET، و غیره) نیز گسترش یابد. این نه تنها برای سرطان تخمدان مناسب است، بلکه می تواند در تشخیص خودکار تومورهای جامد مانند سرطان ریه، سرطان کبد، سرطان روده، سرطان سینه و سرطان پروستات نیز استفاده شود.

این تحقیق توسط بنیاد ملی علوم طبیعی چین و سایر موسسات تامین مالی شد، نتایج مرتبط در آن منتشر شد هوش مصنوعی در پزشکی.