Πώς τα μοντέλα βαθιάς μάθησης αναλύουν τις ιατρικές εικόνες

Τα μοντέλα αυτά μαθαίνουν ιεραρχικά χαρακτηριστικά απευθείας από τα δεδομένα pixel, δίνοντάς τους τη δυνατότητα να ανιχνεύουν λεπτές textural και μορφολογικές αλλαγές που μπορεί να δείχνουν λέμφωμα. Ένα CNN αποτελείται συνήθως από convolutional στρώματα που εξάγουν άκρες, σχήματα, και μοτίβα; ομαδοποίηση στρώματα που μειώνουν την διάσταση? και πλήρως συνδεδεμένα στρώματα που κάνουν τελικές προβλέψεις. Εκπαίδευση τέτοια μοντέλα απαιτεί μεγάλα, καλά-ενημερωμένα σύνολα δεδομένων, συχνά προέρχονται από πολλαπλά ιδρύματα για να συλλάβει μεταβλητότητα σε τύπους σαρωτών, πρωτόκολλα, και δημογραφικά των ασθενών.

Η μάθηση μεταφοράς έχει γίνει μια τυπική τεχνική: ένα μοντέλο προ-εκπαιδευμένο σε φυσικές εικόνες (π.χ., ImageNet) είναι λεπτός-tunned σε ιατρικά σύνολα δεδομένων απεικόνισης. Αυτή η προσέγγιση μειώνει δραματικά την ποσότητα των δεδομένων που απαιτούνται σήμανση και επιταχύνει τη σύγκλιση. Για την απεικόνιση λεμφώματος, τα μοντέλα προσαρμόζονται για να εργαστούν με ολόκληρο το σώμα PET / CT σαρώσεις, όπου όγκοι μπορεί να εμφανιστούν ως περιοχές υψηλής μεταβολικής δραστηριότητας. ⁇ διενεργά χαρακτηριστικά που εξάγονται από CNNs συχνά έξω από την τέλεια παραδοσιακά χειροποίητα χαρακτηριστικά, ειδικά όταν ξεχωρίζουν μεταξύ επιθετικών και αδρανείς υποτύπους λεμφώματος.

Συλλογή δεδομένων και σημείωση στο λέμφωμα απεικόνιση

Για την ανίχνευση λεμφώματος, οι κύριες λεπτομέρειες είναι 18F-FDG PET/CT, CT ενισχυμένης αντίθεσης και MRI (συμπεριλαμβανομένων των αλληλουχιών που έχουν σταθμιστεί με διάχυση). Κάθε μέθοδος αποτυπώνει διαφορετικές βιολογικές ιδιότητες: PET τονίζει τη μεταβολική δραστηριότητα, CT παρέχει ανατομική λεπτομέρεια, και MRI υπερέχει σε αντίθεση μαλακού ιστού. Ένα ολοκληρωμένο σύνολο δεδομένων πρέπει να περιλαμβάνει εικόνες από διάφορους σαρωτές, σε διάφορα στάδια της θεραπείας, και με επιβεβαιωμένες ιστοπαθολογικές διαγνώσεις.

Η σημείωση γίνεται από ειδικούς ακτινολόγους και παθολόγους που οριοθετούν τα όρια των όγκων (μάσκες ταξινόμησης) και δίνουν ετικέτες ασθενειών (π.χ., Hodgkin λέμφωμα έναντι διάχυτου μεγάλου λεμφώματος Β-κυτταρικών κυττάρων). Δια-παρατηρητή μεταβλητότητα είναι μια αναγνωρισμένη πρόκληση, τόσο πολλά έργα χρησιμοποιούν συναινετικές ενδείξεις ή αυτοματοποιημένο έλεγχο ποιότητας. Τεχνικές αύξησης δεδομένων -όπως τυχαίες περιστροφές, κλιμάκωση, και αλλαγές έντασης-βοήθεια βελτίωση της ευρωστίας μοντέλο και μείωση υπερπροσαρμοζόμενο. Δημόσια σύνολα δεδομένων όπως Το Αρχείο Απεικόνισης Καρκίνου (TCIA) παρέχουν ορισμένες περιπτώσεις λεμφώματος, αλλά τα περισσότερα ιδρύματα βασίζονται σε ιδιόκτητες συλλογές λόγω των περιορισμών της ιδιωτικής ζωής.

Αυτοματοποιημένη ανίχνευση: Η διαδικασία ελέγχου

Μόλις ένα μοντέλο βαθιάς μάθησης εκπαιδευτεί, μπορεί να χρησιμοποιηθεί για την εξέταση νέων σαρώσεων για ύποπτες βλάβες. Ο αγωγός ανίχνευσης συνήθως περιλαμβάνει τρία βήματα: προεπεξεργασία (κανονισμός, εγγραφή σε ένα τυποποιημένο χώρο), αρχική υποψήφια γενιά (χρησιμοποιώντας ένα δίκτυο προτάσεων περιοχής ή συρόμενο παράθυρο), και ταξινόμηση του κάθε υποψηφίου είτε ως λέμφωμα ή καλοήθης. Αυτή η διαδικασία είναι ανάλογη με ένα σύστημα ανίχνευσης (CAD) με υπολογιστή ⁇ βοηθούμενη αλλά με υψηλότερη ευαισθησία και χαμηλότερους ψευδείς - θετικούς ρυθμούς.

Η αυτοματοποιημένη ανίχνευση είναι ιδιαίτερα πολύτιμη σε ολόσωμη απεικόνιση όπου οι ακτινολόγοι πρέπει να επανεξετάσουν εκατοντάδες φέτες. Το μοντέλο μπορεί να σημαδέψουν υπερμεταβολικό φόσι στις σαρώσεις PET, στη συνέχεια να τα συσχετίσει με ανατομικά ορόσημα στην αξονική τομογραφία. Μελέτες έχουν αναφέρει ευαισθησίες άνω του 90% για την ανίχνευση της συμμετοχής των νυμφικών και εξωνωτικών λεμφωμάτων. Ωστόσο, ψευδή θετικά μπορεί να προκύψουν από τη φυσιολογική πρόσληψη (π.χ., καφέ λίπος, φλεγμονή) ή καλοήθεις βλάβες.

Κατάτμηση: Περιορισμός Λέμφωμα Περιφέρειες

Η κατάτμηση πηγαίνει ένα βήμα πέρα από την ανίχνευση: περιγράφει ακριβώς την έκταση κάθε βλάβης. Αυτό είναι κρίσιμο για την ογκομετρική αξιολόγηση, την αξιολόγηση της ανταπόκρισης (π.χ., βαθμολογία Deauville, ταξινόμηση Lugano), και τον προγραμματισμό ακτινοθεραπείας.

Η κατάρτιση ενός μοντέλου κατάτμησης απαιτεί σχόλια σε επίπεδο pixel, οι οποίες είναι χρονοβόρες για να παράγουν. Ενεργές στρατηγικές μάθησης επιτρέπουν στο μοντέλο να ζητήσει σχόλια για τις πιο αβέβαιες περιπτώσεις, μειώνοντας το βάρος σημείωσης. Μόλις εκπαιδευτεί, τα μοντέλα κατάτμησης μπορεί να υπολογίσει τον συνολικό όγκο του μεταβολισμού (TMTV), ένα ισχυρό προγνωστικό δείκτη σε λέμφωμα.

Ταξινόμηση σε υποτύπους

Τα μοντέλα βαθιά μάθησης μπορεί να ταξινομήσει όχι μόνο Hodgkin έναντι μη-Hodgkin λέμφωμα, αλλά και λεπτότερους υποτύπους όπως διάχυτο μεγάλο λέμφωμα Β-κυτταρικών κυττάρων, οζώδες λέμφωμα, και το λέμφωμα των κυττάρων μανδύα. Η εργασία ταξινόμησης συχνά μόχλευση την ίδια σπονδυλική στήλη CNN που χρησιμοποιείται για την ανίχνευση, με μια πρόσθετη κεφαλή ταξινόμησης. Ορισμένα μοντέλα ενσωματώνουν κλινικά δεδομένα (π.χ., στάδιο Ann Arbor, συμπτώματα Β) παράλληλα με τα χαρακτηριστικά απεικόνισης για τη βελτίωση της ακρίβειας.

Μια προσέγγιση είναι να εκπαιδεύσει ένα δίκτυο πολλαπλών καθηκόντων που εκτελεί ταυτόχρονα την ανίχνευση, την κατάτμηση και την ταξινόμηση. Αυτό αναγκάζει το μοντέλο να μάθουν κοινές αναπαραστάσεις και μπορεί να βελτιώσει την απόδοση σε κάθε εργασία. Μια άλλη υποσχόμενη κατεύθυνση είναι η χρήση νευρωνικών δικτύων γραφημάτων για να μοντελοποιήσει τις χωρικές σχέσεις μεταξύ των σταθμών λεμφαδένων, μιμούμενος τον τρόπο με τον οποίο ένας ακτινολόγος αξιολογεί την εξάπλωση της νόσου. Σε δημοσιευμένες μελέτες, βαθιά μάθηση -βασισμένη ταξινόμηση των υποτύπων λεμφώματος από PET / CT έχει επιτύχει περιοχή κάτω από την καμπύλη (AUC) τιμές άνω του 0,90, αν και η απόδοση ποικίλλει ανάλογα με τον υποτύπο και το μέγεθος σύνολο δεδομένων.

Υπερνίκηση Προκλήσεων Κλινικής Εφαρμογής

Παρά τις ισχυρές τεχνικές επιδόσεις, η ανάπτυξη εργαλείων βαθιάς μάθησης στην κλινική πρακτική ρουτίνας αντιμετωπίζει αρκετά εμπόδια. Η ετερογένεια δεδομένων παραμένει ένα μεγάλο ζήτημα: μοντέλα που εκπαιδεύονται σε δεδομένα ακαδημαϊκού κέντρου συχνά υποβαθμίζονται όταν εφαρμόζονται σε σαρωτές νοσοκομείου κοινότητας. Η προσαρμογή χώρου και η υποβοηθούμενη μάθηση διερευνώνται για να κατασκευαστούν μοντέλα που γενικεύουν σε ιδρύματα χωρίς να μοιράζονται δεδομένα ασθενών. Η διερμηνεία[ είναι ένα άλλο βασικό μέλημα· οι κλινικοί πρέπει να κατανοήσουν γιατί ένα μοντέλο που σηματοδοτεί μια συγκεκριμένη περιοχή.

Η ενσωμάτωση με τις υπάρχουσες ροές εργασίας είναι επίσης μη-τρισδιάστατη. Οι εξόδους AI πρέπει να ενσωματωθούν στα συστήματα PACS και να παρουσιαστούν στους ακτινολόγους με τρόπο που ενισχύει, αντί να διαταράσσει, τη διαδικασία ανάγνωσης τους. Προσοχή κόπωση και υπερ-εξαρτήσεις σε αυτοματοποιημένες προτάσεις είναι πραγματικοί κίνδυνοι. Οι προοπτικές κλινικές δοκιμές είναι απαραίτητες για να αποδειχθεί όχι μόνο η τεχνική ακρίβεια, αλλά και ο πραγματικός ⁇ κόσμος αντίκτυπος στο διαγνωστικό χρόνο στροφής, συμφωνία μεταξύ-αναγνωστή, και αποτελέσματα των ασθενών. Αρκετές τέτοιες δοκιμές είναι σε εξέλιξη, συμπεριλαμβανομένων εκείνων που συγκρίνουν την ανάγνωση με τη συμβατική ανάγνωση για τη στάτευση λεμφώματος.

Μια περαιτέρω πρόκληση είναι ανισορροπία τάξης: ορισμένοι υποτύποι λεμφώματος είναι σπάνιοι, καθιστώντας δύσκολη τη συλλογή αρκετών εκπαιδευτικών παραδειγμάτων. Τεχνικές όπως η ελάχιστη ⁇ shot μάθηση, η δημιουργία συνθετικών δεδομένων (π.χ., χρησιμοποιώντας γεννητικά δίκτυα αντιπεριφερειολογίας), και η υπερδειγματοληπτική μπορεί να βοηθήσει. Επιπλέον, τα μοντέλα πρέπει να ενημερωθούν καθώς τα πρωτόκολλα θεραπείας εξελίσσονται ⁇ για παράδειγμα, για να λογοδοτήσουν για νέες θεραπείες που αλλοιώνουν την εμφάνιση απεικόνισης.Η συνεχής παρακολούθηση και η περιοδική επανεκπαίδευση είναι απαραίτητες για τη διατήρηση της απόδοσης.

Το μονοπάτι μπροστά: Αναδυόμενες τάσεις και έρευνα

Κοιτάζοντας μπροστά, αρκετές τάσεις υπόσχονται να βελτιώσουν την αυτοματοποιημένη ανίχνευση και ταξινόμηση λεμφώματος. Πολλαδική μάθηση συνδυάζει τα δεδομένα απεικόνισης με κλινικές, γονιδιωματικές και ιστοπαθολογικές πληροφορίες. Για παράδειγμα, η ενσωμάτωση PET/CT με αποτελέσματα βιοψίας υγρού (κυκλωτικό DNA όγκου) θα μπορούσε να βελτιώσει τόσο την ανίχνευση και την πρόγνωση.

Το Explainable AI είναι ένας ενεργός χώρος έρευνας, με νέες μεθόδους όπως η έννοια ⁇ βασισμένη στην έννοια- και η αντιπραγματική γενιά που βοηθά τους κλινικούς να εμπιστεύονται και να επαληθεύουν τις εξόδους μοντέλων. Καθώς τα μοντέλα γίνονται πιο διαφανή, η ρυθμιστική αποδοχή θα γίνει ευκολότερη. Η αυτοεπιβλεπόμενη μάθηση[ μειώνει την εξάρτηση από τα επισημασμένα δεδομένα από τα προ-κατάρτιση μοντέλα σε μεγάλες μη χαρακτηρισμένες συλλογές εικόνων· αυτό είναι ιδιαίτερα ελκυστικό στην ιατρική απεικόνιση όπου το κόστος σημείωσης είναι υψηλό.

Ένα άλλο σύνορο είναι η διαμήκη ανάλυση[]. Αντί να αναλύσει μια ενιαία σάρωση, τα μοντέλα μπορούν να συγκρίνουν εικόνες που έχουν αποκτηθεί σε διαφορετικά χρονικά σημεία για να αξιολογήσουν την ανταπόκριση της θεραπείας ή να ανιχνεύσουν υποτροπή νωρίτερα. Χρονικά δίκτυα και επαναλαμβανόμενες αρχιτεκτονικές προσαρμόζονται για το σκοπό αυτό. Τέλος, η ενσωμάτωση της βαθιάς μάθησης με ⁇ μποτικά συστήματα βιοψίας θα μπορούσε να επιτρέψει την αυτοματοποιημένη στόχευση βλάβης, περαιτέρω εξορθολογισμό της διαγνωστικής οδού.

Η έρευνα επικεντρώνεται επίσης στην ⁇ όμποστότητα στην ποιότητα της εικόνας παραλλαγή[[LFT:1]]. Πολλά μοντέλα βαθιάς μάθησης είναι ευάλωτα σε έξω ⁇ από-εισροές διανομής (π.χ. εικόνες με τεχνουργήματα, ασυνήθιστη ανατομία των ασθενών).

Συμπέρασμα

Η αυτοματοποιημένη ανίχνευση και ταξινόμηση των λεμφωμάτων με τη χρήση βαθιάς μάθησης έχει μετακινηθεί από την ερευνητική περιέργεια σε μια κλινικά βιώσιμη τεχνολογία. Τα συνεσταλτικά νευρωνικά δίκτυα, εκπαιδευμένα σε μεγάλα σχολιασμένα σύνολα δεδομένων, μπορούν να εντοπίσουν ύποπτες βλάβες, να κατατμήσουν τα όριά τους, και να διακρίνουν μεταξύ υποτύπων με ακρίβεια που ανταγωνίζονται έμπειρους ακτινολόγους. Οι προκλήσεις που σχετίζονται με την ποιότητα των δεδομένων, την ερμηνευτικότητα μοντέλου και την ενσωμάτωση ροής εργασίας εξετάζονται μέσω συνεργατικών προσπαθειών μεταξύ επιστημόνων δεδομένων, κλινικών και ρυθμιστικών φορέων. Ως πολύτροπες και αυτοεπιθεωρούμενες μέθοδοι ωριμάζουν, και ως προοπτικές δοκιμές επιβεβαιώνουν τα οφέλη του πραγματικού κόσμου, η βαθιά μάθηση είναι έτοιμη να γίνει ένα πρότυπο συστατικό των ροών εργασίας απεικόνισης λεμφώματος.

Για περαιτέρω ανάγνωση, βλέπε τις κατευθυντήριες γραμμές της Αμερικανικής Εταιρείας Αιματολογίας για την απεικόνιση σε λέμφωμα (]]Εγχειρίδιο αίματος]), το πλαίσιο του FDA για τα ιατροτεχνολογικά προϊόντα που βασίζονται σε AI/ML (]FDA AI/ML page]), και πρόσφατες κριτικές σε ⁇ λογολογία και Φάρμακα της Φύσης[ για τη βαθιά μάθηση για την ογκολογική απεικόνιση.