یادگیری عمیق و رادیومیک ها امکان تمایز دقیق تومورهای مغزی را فراهم می کند


یادگیری عمیق و رادیومیک ها امکان تمایز دقیق تومورهای مغزی را فراهم می کند

نمودار کلی رویکرد رادیومیک و رادیوفیزیومیک پیشنهادی که مراحل اصلی را نشان می‌دهد: جمع‌آوری داده‌های MRI، محاسبه نقشه‌های نشانگر زیستی MRI متابولیسم اکسیژن، استخراج ویژگی رادیومیک برای متابولیسم اکسیژن در حجم تومور و کاهش ویژگی، توسعه یک 1D-CNN و الگوریتم‌های سنتی ML برای طبقه‌بندی تومور مغزی و آزمایش عملکرد طبقه‌بندی اعتبار: متابولیت ها (2022). DOI: 10.3390/metabo12121264

تمایز بین تومورهای اولیه و متاستازها را می توان به سرعت و با دقت در تومورهای مغزی با استفاده از رادیومیک و الگوریتم های یادگیری عمیق ایجاد کرد. این پیام کلیدی یک مطالعه از دانشگاه علوم بهداشت کارل لندشتاینر (KL Krems) است که اکنون در متابولیت ها. این نشان می دهد که داده های رادیولوژیکی مبتنی بر رزونانس مغناطیسی تومور O2 متابولیسم یک پایه عالی برای تبعیض با استفاده از شبکه های عصبی فراهم می کند.

این ترکیب به اصطلاح “رادیومیک های متابولیک اکسیژن” با تجزیه و تحلیل های هوش مصنوعی خاص به وضوح از ارزیابی های متخصصان انسانی در همه معیارهای اساسی برتری داشت. این بسیار چشمگیرتر است زیرا مقادیر اکسیژن ضروری بین انواع تومور تفاوت قابل توجهی نداشت – و شبکه های عصبی با این وجود قادر به ایجاد تمایزهای واضح بر اساس این مقادیر بودند.

گلیوبلاستوما، تومور اولیه و متاستازهای مغزی شایع ترین انواع تومورهای مغزی در بزرگسالان هستند. درمان آنها باید اساساً متفاوت باشد و بنابراین یک تشخیص سریع و واضح بر نتیجه بالینی تأثیر می گذارد. با این حال، تمایز آنها دشوار است، زیرا آنها به سختی در تصاویر تشدید مغناطیسی کلاسیک (MR) قابل تشخیص هستند.

این با به اصطلاح MR فیزیو متابولیک متفاوت است، که می تواند فرآیندهای متابولیک را در بافت تومور ثبت کند. با این حال، این حجم زیادی از داده ها را فراهم می کند که استفاده از آن در تشخیص های معمول نیاز به ارزیابی توسط هوش مصنوعی دارد. قابلیت اطمینان آنها اکنون توسط تیمی به رهبری پروفسور آندریاس استادلبائر از KL Krems با استفاده از یک الگوریتم یادگیری عمیق توسعه یافته و داده های مبتنی بر MR در O نشان داده شده است.2 متابولیسم دو نوع تومور

ماشین در مقابل انسان

پروفسور Stadlbauer با جمع بندی نتایج این مطالعه بین المللی گفت: “در واقع، رویکرد ما در دستیابی به تمایزات بهتری بین انواع تومورها نسبت به افرادی که متخصصان انسانی قادر به مقایسه بودند موفق شد.” فیزیکدان پزشکی در انستیتوی مرکزی تشخیص رادیولوژی پزشکی در بیمارستان دانشگاه سنت پولتن، سایت آموزشی و تحقیقاتی KL Krems ادامه می‌دهد: «در تمام معیارهای تمایز مهم مانند دقت، حساسیت، ویژگی و دقت، ارزیابی اکسیژن مبتنی بر MR داده‌های شبکه عصبی ویژه ما نسبت به رادیولوژیست‌ها برتری داشت. این روش همچنین در ارزیابی‌های آماری مانند مقادیر F و AUROC بهتر از ارزیابی‌های انسانی بود.

اندازه‌گیری‌ها بر اساس یک شبکه عصبی کانولوشنال (CNN) که به‌ویژه توسط این تیم توسعه داده شده بود، انجام شد. این شکل خاصی از شبکه عصبی مصنوعی است که برای یادگیری ماشینی و پردازش داده های تصویری یا صوتی طراحی شده و بخش هایی از فرآیندهای بیولوژیکی را تقلید می کند. به عنوان بخشی از این مطالعه، CNN سپس با استفاده از داده های تومور از پایگاه داده گسترده در بیمارستان دانشگاه سنت پولتن آموزش دید و متعاقباً برای تجزیه و تحلیل سطوح اکسیژن مبتنی بر MR در بیماران جدید مورد استفاده قرار گرفت.

تمایز واضح با وجود تفاوت های جزئی

مقادیر اکسیژن جمع آوری شده در طول مطالعه شامل گردش اکسیژن مغزی (CMRO2) و اشباع اکسیژن میتوکندری (mitoPO2) که اطلاعاتی در مورد گردش انرژی سلولی ارائه می دهد. پروفسور Stadlbauer گفت: “جالب است که نه میانگین و نه میانه این دو پارامتر تفاوت قابل توجهی بین دو نوع تومور نداشتند – اما با این وجود، CNN ما موفق شد به وضوح این دو نوع تومور را متمایز کند.”

این مطالعه پتانسیل تشخیصی عالی ترکیب این دو روش را نشان می دهد. در واقع، با این حال، داده های رادیولوژیکی O2 متابولیسم هنوز فقط در حد بسیار محدودی در عمل بالینی روزمره استفاده می شود. پروفسور Stadlbauer و تیمش می‌خواهند این را تغییر دهند و بنابراین در حال برنامه‌ریزی مطالعه گسترده‌تری هستند که نه تنها داده‌های جمع‌آوری‌شده را تأیید می‌کند، بلکه از روش‌هایی استفاده می‌کند که حتی به روال بالینی نزدیک‌تر هستند.

پروفسور Stadlbauer توضیح می دهد: “در مطالعه فعلی، برخی از مراحل دستی هنوز برای آماده سازی تجزیه و تحلیل داده ها ضروری بود. این برای روال بالینی بسیار زمان بر است و همچنین قابلیت مقایسه بین موسسات مختلف را محدود می کند. بنابراین ما قصد داریم از CNN در این مرحله به عنوان استفاده کنیم. خوب.”

هم مطالعه با موفقیت تکمیل شده و هم مطالعه برنامه ریزی شده تمرکز تحقیقاتی KL Krems در زمینه سرطان شناسی را به بهترین نحو نشان می دهد. تمرکز همیشه بر مزایای بالینی روش‌های جدید است که پتانسیل آنها نتیجه تحقیقات پایه منسجم است.

اطلاعات بیشتر:
آندریاس استادلبائر و همکاران، تمایز گلیوبلاستوما و متاستازهای مغزی توسط رادیومیک متابولیک اکسیژن مبتنی بر MRI و یادگیری عمیق، متابولیت ها (2022). DOI: 10.3390/metabo12121264

ارائه شده توسط دانشگاه علوم بهداشتی کارل لندشتاینر

نقل قول: یادگیری عمیق و رادیومیک ها امکان تمایز دقیق در تومورهای مغزی را فراهم می کند (2023، 19 ژانویه) در 20 ژانویه 2023 از https://medicalxpress.com/news/2023-01-deep-radiomics-precise-differentiation-brain.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.