چگونه مدل های یادگیری عمیق تصاویر پزشکی را تجزیه و تحلیل می کنند

یادگیری عمیق، به ویژه از طریق شبکه های عصبی هم تکامل (CNNs)، اساساً شیوه تفسیر تصاویر پزشکی را تغییر داده است.این مدل ها ویژگی های سلسله مراتبی را مستقیماً از داده های پیکسل یاد می گیرند، آنها را قادر می سازد تا تغییرات ظریف و مورفولوژیکی را که ممکن است نشان دهنده ی لایه های تکامل دهنده ی بزرگ باشد، تشخیص دهندۀ لبه ها، شکل ها و الگوهای؛ لایه های استخر که باعث کاهش لایه های آموزش کامل بیمار می شوند، و پیش بینی های متنوع سازی، اغلب به خوبی از آن ها نیاز دارند.

انتقال یادگیری به یک تکنیک استاندارد تبدیل شده است: یک مدل پیش آموزش داده شده در تصاویر طبیعی (به عنوان مثال، ImageNet) در مجموعه داده های تصویربرداری پزشکی به خوبی هماهنگ شده است.این رویکرد به طور چشمگیری مقدار داده های برچسب خورده مورد نیاز را کاهش می دهد و سرعت می بخشد همگرایی، مدل ها به کار با تمام مواد PET /CT، که در آن تومورها ممکن است به عنوان مناطق فعالیت های متابولیک بالا ظاهر شوند و اغلب اوقات استخراج شده توسط ویژگی های دستی استخراج شده است.

جمع آوری داده ها و Annotation در Lymphoma Imaging

کیفیت یک سیستم یادگیری عمیق به طور مستقیم به داده هایی که در تشخیص لنفوم آموزش داده می شود بستگی دارد، روش های اولیه 18F-FDG PET /CT، CT / CT، CT / CT، CT کنتراست و MRI (از جمله توالی های توزیع وزن) هر روش ضبط خواص بیولوژیکی مختلف: فعالیت متابولیک برجسته، CT جزئیات آناتومیک، و برتری در مقایسه گسترده ای از تصاویر، باید از تصاویر و اسکن های مختلف تأیید شده است.

Annotation توسط رادیولوژیست ها و پاتولوژیست هایی که مرزهای تومور را خط می زنند (محشت های نمونه سازی) و برچسب های بیماری (به عنوان مثال، لنفوم هوگکین در مقابل مجموعه های بزرگ سلول B-تصویر خصوصی) به دلیل تنوع اندام های عفونی کننده یک چالش شناخته شده است، بنابراین بسیاری از پروژه ها از خواندن اجماع یا تکنیک های کنترل خودکار استفاده می کنند - مانند شدت تصویر برداری مستقیم - و تقویت می کنند.

تشخیص خودکار: فرآیند غربالگری

هنگامی که یک مدل یادگیری عمیق آموزش دیده است، می توان از آن برای غربالگری اسکن های جدید برای ضایعات مشکوک استفاده کرد. خط لوله تشخیص معمولا شامل سه مرحله است: پیش پردازش (عادی، ثبت نام به یک فضای استاندارد)، نسل اولیه کاندید (با استفاده از یک شبکه پیشنهاد منطقه یا پنجره کشویی)، و طبقه بندی هر کاندیدا به عنوان لیم یا خوش خیم.

تشخیص خودکار به ویژه در تصویر برداری کامل بدن ارزشمند است که در آن رادیولوژیست ها باید صدها برش را بررسی کنند.این مدل می تواند بیش از حداببولیک را در اسکن های PET نشان دهد، سپس آنها را با نشانه های آناتومیک در مطالعات سی تی.سی، حساسیت های بیش از 90٪ برای تشخیص دخالت های ملانوما و اضافی، با این حال، مثبت می تواند از کاهش سطح شناختی (مانند خطاهای خوش خیمه ای) و یا بهبود ضایعات بالینی ناشی شود.

بخش بندی: Delineating Lymphoma Zones

بخش بندی یک مرحله فراتر از تشخیص است: دقیقاً اندازه هر lesion را مشخص می کند، این برای ارزیابی حجم، ارزیابی پاسخ (به عنوان مثال، نمره Deauville، طبقه بندی لوگانانو)، و برنامه ریزی رادیویی درمانی مهم است. مدل های تقسیم بندی عمیق، اغلب بر اساس U-Net یا انواع آن (به عنوان مثال، توجه به UNet، nn)، ماسک های پس زمینه جداگانه ای تولید می کند که از آن از آن از تومور جدا می شوند.

آموزش یک مدل تقسیم بندی نیاز به یک یادداشت سطح پیکسل دارد که برای تولید زمان بر است.استراتژی های یادگیری فعال اجازه می دهد تا مدل برای درخواست annotations برای موارد نامشخص، کاهش بار اشاره به آن، هنگامی که آموزش داده شده، مدل های تقسیم بندی می توانند حجم کل متابولیسم (TMTV)، یک نشانگر قوی تشخیص دهنده در لنفوم های خودکار به دست آورد Dices مشابه در اطراف 0.8-90 در توافق چند منظوره.

طبقه بندی در زیرنوع

زیرمجموعه های مختلف لنفوم نیاز به رژیم های مختلف درمان و به طور گسترده ای متفاوت از پیش تشخیص ها. مدل های یادگیری عمیق می توانند نه تنها Hodgkin در مقابل لیم لیم غیر هالگکین را طبقه بندی کنند، بلکه همچنین زیر تیپ های ظریف مانند پخش بزرگ B، لنفوم فولیکولی و لنفوم سلولی را نیز می سازند.این کار طبقه بندی اغلب از همان ستون فقرات برای تشخیص، با دقت اضافی (مانند تصاویر نمونه برداری بالینی، نمونه B).

یک رویکرد این است که یک شبکه چند وظیفه ای را آموزش دهید که به طور همزمان تشخیص، تقسیم بندی و طبقه بندی را انجام دهد، این مدل را مجبور می کند تا نمایش های مشترک را یاد بگیرد و می تواند عملکرد را در هر کار بهبود بخشد، یکی دیگر از جهت امیدوار کننده استفاده از شبکه های عصبی گرافی برای مدل سازی روابط فضایی بین ایستگاه های گره لنفاوی است، تقلید از اینکه چگونه یک رادیولوژیست گسترش بیماری را ارزیابی می کند.

غلبه بر چالش های اجرایی بالینی

علی رغم عملکرد فنی قوی، استقرار ابزارهای یادگیری عمیق در عمل بالینی معمول با موانع مختلف مواجه است.[۱۰] ناهمگنی داده یک مسئله مهم است: مدل های آموزش دیده در داده های مرکز علمی اغلب در هنگام استفاده از اسکنرهای توجه جامعه، انطباق دامنه و یادگیری تغذیه شده برای ساخت مدل هایی که به طور کلی در سراسر موسسات بدون به اشتراک گذاری داده های بیمار (F) نیاز به توضیح دقیق منطقه دارند، مورد استفاده قرار می گیرند.

Integration با جریان های کاری موجود نیز غیر پرتال است. خروجی های AI باید به سیستم های PACS گنجانده شده و به رادیولوژیست ها به گونه ای ارائه شود که افزایش می یابد، به جای مختل شدن، فرایند خواندن هشدار و بیش از حد اعتماد به پیشنهادات خودکار، خطرات بالینی چشم انداز واقعی هستند.

چالش بعدی (FLT:0 طبقه عدم تعادل است: برخی از زیرمجموعه های لنفوم نادر هستند، و جمع آوری نمونه های آموزش کافی دشوار است، تکنیک هایی مانند یادگیری چند شات، تولید داده های مصنوعی (به عنوان مثال، استفاده از شبکه های عمومی مجاور)، و Oversampling می تواند به مدل های آموزش و درمان های اضافی کمک کند.

مسیر رو به جلو: روند های نوظهور و تحقیقات

با نگاهی به جلو، چندین روند وعده برای بهبود تشخیص و طبقه بندی خودکار لنفوم و طبقه بندی (FLT:0) یادگیری چند منظوره ترکیب داده های تصویربرداری با اطلاعات بالینی، ژنومی و هیستوپاتیک.ک.چ با نتایج بیوپسی مایع (سیگار DNA) می تواند تشخیص و پیش آگهی اولیه کار را بهبود بخشد که چنین رویکردهای غیر منطقی را پیش بینی می کند.

یک منطقه تحقیقاتی فعال است، با روش های جدید مانند توضیحات مبتنی بر مفهوم و نسل ضد واقعیت کمک به پزشکان اعتماد و تأیید خروجی مدل، به عنوان مدل های شفاف تر، پذیرش نظارتی آسان تر خواهد شد. یادگیری مبتنی بر تصویر بالا [[۳] وابستگی بالا به داده های آموزش داده شده توسط مجموعه های تصویری بالا به ویژه در نتایج تصویربرداری بزرگ نشان داده شده است.

مرز دیگر تجزیه و تحلیل طولی به جای تجزیه و تحلیل یک اسکن واحد، مدل ها می توانند تصاویر به دست آمده در نقاط مختلف زمان را برای ارزیابی پاسخ درمانی یا تشخیص بازگشت به گذشته مقایسه کنند.

تحقیقات همچنین بر روی هماهنگ سازی در تنوع کیفیت تصویر متمرکز است.[۱۰] بسیاری از مدل های یادگیری عمیق در برابر ورودی های توزیع توزیع توزیع کننده آسیب پذیر هستند (به عنوان مثال، تصاویر با مصنوعات، تکنیک های غیر معمول آناتومی بیمار، مانند مونت کارلو یا گروه های عمیق، می توانند پیش بینی های کم اعتماد به نفس برای بررسی انسان را افزایش دهند که این امر می دهد، یک ایمنی بالینی انتقادی است.

نتیجه گیری

تشخیص خودکار و طبقه بندی از لنفوم با استفاده از یادگیری عمیق از کنجکاوی تحقیق به یک تکنولوژی بالینی قابل اعتماد منتقل شده است.شبکه های عصبی کانولو، آموزش داده شده در مجموعه داده های بزرگ، می تواند ضایعات مشکوک، تقسیم مرزهای خود را، و تمایز بین زیرمجموعه های خود را با دقت که رقبا تجربه رادیولوژیست ها مربوط به کیفیت داده ها، مدل تفسیر، و گردش کار از طریق تلاش های یادگیری دقیق تر، و تجزیه و تحلیل دقیق تر به عنوان هدف نهایی، به عنوان هدف نهایی است.

برای مطالعه بیشتر، دستورالعمل های جامعه ی هماتولوژی آمریکا را در تصویر برداری در لیم ( Blood Magazine ، چارچوب FDA برای دستگاه های تصویربرداری مبتنی بر هوش مصنوعی / ال (FDA /ML صفحه [F3) و بررسی های اخیر در (FLT:4 [F] یادگیری و [F5]: