גילוי מוקדם של סרטן הכליות ושלפוחית השתן משפר באופן דרמטי את שיעורי ההישרדות של המטופל, אך אלה ממאירים לעתים קרובות לחמוק מאבחון עד בשלבים מתקדמים עקב סימפטומים מוקדמים עדינים או נעדרים. אינטליגנציה מלאכותית (AI) מעצב מחדש את הנוף של הדמיה אונקולוגית, המציע כלים שמשפרים את הרגישות, ספציפיות ומהירות של זיהוי סרטן נרחב הן באולטרסאונד והן ב-MRI. על ידי הפעלת ניתוח של נתונים מורכבים, טכניקות אבחון AI מונעות טיפוליות וזיהוי שיטות טיפוליות מסייעות לגילוי סרטן, זיהוי קליני, זיהוי שיטות טיפוליות, זיהוי יעיל, זיהוי, זיהוי זה עשוי לחקור את שיטות טיפוליות, זיהוי קליניות, זיהוי זה יכול לזהות שיטות בדיקה יעילה יותר, או MRI, ואפקטים, או MRI.

רקע על סרטן קידני ומגרש

אחריות ואתגר קליני

סרטן קטיני (סרטנת תאיםrenal) מהווה כ- 23% מכלל המחלות הבוגרות, עם יותר מ-430,000 מקרים חדשים בכל שנה. סרטן בסולן נפוץ יותר, דירוג כסרטן התדירות ביותר בעולם, עם כמעט 550,000 אבחון שנתי של סרטן שניהם יש שיעורי חזרה אוטומטיים ודורשים מעקב לאורך זמן.

תפקיד אימגיציה באבחון

אולטרהסאונד הוא לעתים קרובות את המודוליות ההדמיה הראשונה בשימוש עבור ההמונים הכלולים בשל עלות נמוכה, היעדר קרינה מייננת, וזמינות רחבה.זה למעשה מבחין ציסטות פשוטות של ההמונים מוצקים אבל יש לו יכולת מוגבלת לאפיין נגעים קטנים או מורכבים. MRI מספק ניגודים רכה ומיומנויות רב-תכנון, מה שהופך אותו לא יקר עבור סטיות וסרטן, להעריך פלישה מקומית, להעריך את הטכניקות ריקות והתאמה אישית של MRI.

תפקידה של AI ב-IIIIITION

מימון של AI ו- Machine Learning for Imaging

אינטליגנציה מלאכותית ברדיולוגיה משתמשת בעיקר בלמידה של מכונות, עם למידה עמוקה - במיוחד רשתות עצביות אבולוציה (CNN) - שלא לצורך ניתוח תמונה.רשתות אלה לומדות תכונות היררכיות מהנתונים המסווגים, המאפשרות משימות כגון סיווג תמונה, גילוי, ו pixel-wise פלמנטציה. for cancer Detection, הכשרה כוללת בדרך כלל אלפי סריקות מרשימות, שבו קורנים מדגימים תאים כמו תאים חדשים של תאים, או מצופים, או מדגימים, כמו גם את התבניות של תאים חדשים, או מדגימים, או מדגימים, או מדגימים, כמו גם את התבניות של תאים חדשים של תאים מדגימים, או מדגימים, או מדגימים, לדוגמה, או מדגימים, לדוגמה, או מדגימים, או מדגימים, או מדגימים, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, או מדגימים את התבניות של תאים חדשים של תאים חדשים של סרטן.

סוגי משימות AI בזיהוי סרטן

  • (FLT:0) ,Segmentation: 1FLT 1 באופן אוטומטי ניתוק גבולות גידול על אולטרסאונד או פרוסות MRI.זה מייצר מדידות נפחיות ומבטל שגיאות מעקב ידניות.
  • (ב) ⁇ :0) ⁇ : ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) ⁇ : 1 (ה) ללקט בצלים חשודים בתוך תמונה, לעתים קרובות בשילוב עם סיווג לייצר תיבת קופסה או מפת חום של סבירות.
  • (FLT:0)Radiomics:FLT:1 מיישם מאות תכונות כמותיות (טקסט, צורה, עוצמה) מגידולים מפוסלים ולהאכיל אותם למדרגים למידה מכונה עבור חיזוי פרוגנוזה.

גישות בינה מלאכותית אלה אינן בלעדיות; מערכות רבות משלבות משימות מרובות כדי לייעל את זרימת העבודה האבחון.

AI for Ultrasound Imaging in Kidney and Bladder Cancer

יתרונות ומגבלות של אולטרה-סאונד

Ultrasound נשאר את המודוליות הגלויה הנגיש ביותר עבור הערכה ראשונית של הכליות ושלפוחית השתן.זה נייד, בזמן אמת, ואינו חושף מטופלים לקרינה.עם זאת, איכות תמונה תלויה במידה רבה במיומנות של המפעיל, ההרגל המטופל, וציוד. צללים אקוסטיים, חפצים, ודמיון גרוע של הסינוסים הכליים או מבנים אגן עמוק יכול לעזור לטשטש פרשנות סטנדרטית על ידי צמצום אזורי פיקוח הדוקים ופסים חזקים יותר.

רשתות ערפיליות מהפכניות עבור רנאל מאסה

כמה מחקרים אימנו ל-CNN להבדיל ממאירים מהמונים הכליליים ב- B-mode אולטרסאונד.לדוגמה, מחקר של 2022 שפורסם ב רדיולוגיה האירופית השתמש ב- Resnet-50 לפני שסווג 2,500 תמונות אולטרסאונד, השגת AUC של 0.92 למדידה ממאירות.המודל היה יעיל במיוחד עבור ההמונים קטנים (<4 ס"מ), שם קוראים אנושיים לעתים קרובות מאבק מבוסס על תרכובות של DUC.

גילוי הריון על Ultrasound

סרטן חודר מופיע על אולטרסאונד כמו פפארי או מסה מסה sessile protruding לתוך lumen. AI מודלים מאומן על תמונות אולטרסאונד transabdominal הראו דיוק מבטיח לזהות את הפגמים האלה. A 2023 חקירה באמצעות רגישות אישית של 94% ומפרט של 87% עבור גידולים שלפוחית השתן > 5 מ"מ יותר משלב מידע זמני מ cine, להבדיל בין תבניות דם חיוניות כדי לאשר תקפים או תקפים של 87% עבור גידולים חיצוניים.

טכניקות מפתח ואדריכלות

  • (FLT:0)U-Net:FLT:1 סימטרית רשת קודקודקודקודקודקוד מאומצת באופן נרחב עבור פלח אולטרסאונד של כליות, גידולים וקירות שלפוחית השתן.
  • (FLT:0) נחקרו CNN:FIRLT:1) ממקדים את המודל על אזורים אנטומיים רלוונטיים, צמצום חיובי כוזב מבניינים סמוכים.
  • (FLT:0) למידה:ראהFLT:1 החל עם משקולות מ ImageNet או נתונים ספציפיים רפואית (למשל, CheXNet) מאיצה את האימון ומשפרת את הביצועים עם נתונים מוגבלים.
  • (ב) ,0) שיטות נבואות: FLT:1Building תחזיות ממספר רב של CNN כדי לשפר את העוצמה ולהקטין את הכדאיות.

שיטות אלה אושרו בהגדרות מחקר, אך שילוב של מכונות אולטרסאונד קליני הוא מתקדם - ספקים בכל פעם מציעים כעת זיהוי של דבקות בסיוע AI כחלק מחבילות התוכנה שלהם.

יישומים ב-MRI עבור סרטן קטינים ו- Bladder

מדוע MRI דורש סיוע ב-AI

MRI מייצרת הדמיה גבוהה, נתונים רב-פרמטריים (T1-משקל, T2-משקל, דיפוזיה במשקל, רצף ניגודיות דינמי) המכיל מידע עשיר על תכונות רקמות.interpreting אלה הוא זמן-רגיש-מחדש - MRI יחיד יכול להניב מאות פרוסות על פני רצפים מרובים של AI יכול לסווגן אוטומטי, אולטרסאונד, להבחין בין היתר במקרים מורכבים יותר של דלקת ריאות, במיוחד.

רדיומיקה ב-Renal and Bladder MRI

רדיומיס תמצית מרקם, צורה ותכונות אינטנסיביות מרצף MRI.עבור סרטן הכליות, חתימות רדיומיות יכולות לחזות תת-סוג אסטרולוגי (תא צלול מול פפארי) ו- Fuhrman כיתה עם אגורות סביב 80-85%. A 2021 metaanalysis-analysis של 23 מחקרים מצאו כי מודלים רדיומיים מבוססי MRI עבור carcinomanal cellized השיגו רגישות של 87% ומבדילה את הסיכון לסרטן דלקת ריאות (דלקת ריאות).

למידה עמוקה ל-MRI- Based Segmentation ו-Staging

שלוש רשתות עצביות אבולוציה (3D CNN) ומניפסטי ראייה מעבדים נתונים של MRI מורכבים ישירות, ללא אובדן הקשר מרחבי.מחקר מ 2023 הראו כי 3D U-Net מאומן על MRI רב-פרמטרי הבין-פרמטרי השיג משמעות Dice coefficient של 0.89 עבור כולו-Kdney ו-גידול פלחסין.

טכניקות וחדשנות

  • (FLT:0) Multi-parametric היתוך: ההרחבה 1 (שלב T2 במשקל, DWI (FCC מפות), ורצף ניגודיות כמו ערוצי קלט מרובים לרשת עמוקה אחת.
  • (FLT:0) מהפךים מבוססי כוונות: FLT:1 מודלים כמו TransUNet ליישם את תשומת הלב העצמי כדי ללכוד תלות לטווח ארוך, שיפור פלח של גידולים מעוצבים באופן לא סדיר.
  • (ב) למידה מבוקרת:0; 10.10.1 שימוש רק בתוויתות מפולות שלמות (למשל, "ממות" או "בנאי") במקום סטיות pixel-wise מפחיתות את נטל הפיצול ידני.
  • (FLT:0) רשתות יריבות טרנסבריות (gansrovarial): FLT ( 1:1 המשמש להגדלת נתונים - פרוסות MRI סינתטיות שנוצרו על ידי gans יכול להרחיב את מערכות ההכשרה המוגבלות ולשפר את חוזק המודל.

גישות בינה מלאכותית אלה סוגרות את הפער בין מחקר לבין פריסה קלינית, עם כמה כלים מבוססי MRI מבוססי MRI מבוססי כעת זמינים להערכה המונית חוזרת.

Ultrasound vs. MRI: Complementary Strengths

Ultrasound AI מצטיין במהירות, נמוך סינון עם משוב בזמן אמת, מה שהופך אותו אידיאלי עבור triage ראשונית מעקב של נגעים ידועים. MRI מציעה הדמיה רך גבוה יותר יכולת עוקץ, חיוני לתכנון טיפול.שלב הן שיטות דרך מסגרת AI רב-מודולאלי עשוי להניב את הדיוק הגבוה ביותר. לדוגמה, מחקר 2024 הראה כי מודל שילוב של אולטרסאונד Bmo-de-atranadance ו-MRId) עם תכונות רדיו קטנות בלבד (CEUS) עם תכונות רדיו אולטרסאונד קטן-MRI) עם רגישות רדיו אולטרסאונד (CE) אולטרסאונד בודדות קומפקטיות קומפקטיות קומפקטיות קומפקטיות).

Multi-Modal Deep Learning Accesss

אסטרטגיות Fusion יכולות להיות מוקדמות (כולל תכונות משני המודולים המקובצים בתחילת), ביניים (ייצוגים נלמדים ממוזגים בשכבה נסתרת), או מאוחר (התראות ממודלים נפרדים בשילוב באמצעות משקל או הצבעה) היתוך מאוחר הוא פשוט יותר וחזק יותר לחסר נתונים - לדוגמה, אם רק אולטרסאונד זמין לביקור מעקב, המערכת עדיין יכולה לספק ציון זמני.

אינטגרציה של Workflow

כדי להיות שימושי קלינית, תפוקה AI חייבת להשתלב בצורה חלקה בסביבת הקריאה הקיימת של רדיולוגיה.מערכת צילום ותקשורת (PACS) יכולה להציג את הפיצול המוחזק על פני השטח וציוני הסיכון לצד תמונות Native.כמה פלטפורמות מסחריות מציעות כעת מודולים ייעודיים עבור כליות וזיהוי שלפוחית השתן, עם ממשקי משתמש המאפשרים לרדיולוגים לקבל, לשנות, או לדחות ממצאים קליניים פוטנציאליים הם הערכה של שיטות אלה של אבטחה בזמן, האם שיפור כלי אבטחה.

אתגרים ומגבלות

איכות נתונים והטרוגניות

מודלים של בינה מלאכותית דורשים נתונים גדולים, מגוונים, ומדוייקים של נתונים.רבים זמינים לציבור ונתוני הדמיה של שלפוחית השתן מוגבלים בגודל או מורכבים בעיקר ממוסד יחיד באמצעות סורק ספציפי.ריאציות בפרמטרים רכישה (שכינים, עובי שדה, פרמטרים רצף) יכולים להפיג את ביצועי המודל כאשר הם מוחלים על טכניקות עיבוד נתונים חיצוני.

כללי ואימות

מודל שמופיע היטב באוכלוסייה אחת עלול להיכשל בשל הבדלים בשכיחות המחלה, האנטומיה הספציפית האתנית, או פרוטוקולי הדמיה. אימות חיצוני ריאורי על רב-מרכז, נתונים רב-דוריים הוא תנאי מוקדם לאימוץ קליני.ה Rad ImageNet ונתוני הדמיה רפואיים בקנה מידה גדול אחרים הם שיפור ייצוגיות, אך מחקרים אימות לעתים קרובות מדווחים על ירידה ב-55% כאשר נעים מהנתונים החיצוניים.

חוסר יכולת ואמון

רדיולוגים הםהססים לסמוך על מערכת תיבות שחורה שאינה יכולה להסביר את ההיגיון שלה.סביר טכניקות בינה מלאכותית – כגון מפות סלנסיבית, מיפוי הפעלה בכיתה במשקל (Grad-CAM), ו-SHapley Additive exPlanations (SHAP) – אור גבוה שהשפיע על החלטת המודל.

שיקולים תקינים ומוסריים

כלים אבחון מבוססי בינה מלאכותית חייבים לקבל אישור רגולטורי (FDA, CE סימון) לפני הפריסה הקלינית.תהליך הביקורת דורש ראיות לבטיחות, יעילות והתאמה מחדש באוכלוסיות בשימוש המיועדות.דאגות אתיות כוללות הטיה פוטנציאלית (למשל, אבחון בקבוצות מיעוט בשל ייצוג נתונים תחת פיקוח על נתונים), פרטיות, ואחריות כאשר אבחון תומך ב- AI אינו נכון לגבי יוזמות מתמשך כגון עקרונות גישה (ראויים, עקרונות גישה בלתי נסבלים).

כיוונים עתידיים

הסבר אמין ואמין ב-AI

מערכות הדור הבא יספקו לא רק תחזית אלא גם רציונלית ברורה - תוך התייחסות למרקם, צורה ומיקום של תכונות חשודות. ממשקי בינה מלאכותית אינטראקטיביים המאפשרים לרדיולוגים לשאילת אזורים ספציפיים ולקבל משוב בזמן אמת יגשר עוד על פער האמון.מחקר ב-Virtual AI, המשלב למידה עמוקה עם חשיבה סמלית, עשוי לייצר מודלים שיכולים לבטא כללים.

גישה למידה ופרטיות ראויה

למידה פדרנד מאמן מודל על פני בתי חולים מרובים ללא שיתוף נתונים של מטופלים ישירות, רק עדכוני מודל.גישה זו מרחיבה את נתוני האימון תוך שמירה על פרטיות וציות לתקנות כמו GDPR. תוצאות מוקדמות בתערוכת הדמיה של סרטן הכליות, אשר מודלים מזוהים מבצעים כמעט כמו גם אלה מאומן מרכזי, בעוד צמצום דרמטי של צרכי העברת נתונים.

שילוב עם רשומות בריאות אלקטרוניות ונתונים Genomic

שילוב תכונות הדמיה עם משתנים קליניים (גיל, קריאטינין, סימפטומים) וסמן גנטי (למשל, מוטציות VHL בסרטן nal) יכול לאפשר זיהוי סיכונים מותאמים אישית באמת. Multi-modal AI כי ממזג רדיולוגיה, פתולוגיה, ו genomics הוא גבול מחקר פעיל, עם מחקרים ראשוניים המציגים חיזוי משופר של טיפול אגרסיבי ותגובה.

ניסויים קליניים פוטנציאליים ומימוש עולמי

כמה ניסויים פוטנציאליים מתקדמים או הושלמו לאחרונה, כגון מחקר DART בבריטניה הערכה אולטרסאונד בסיוע AI עבור גילוי המוניות הכליות בטיפול ראשוני, ואת הניסוי AI-BLaC של ארה"ב עבור סרטן שלפוחית השתן. תוצאות ממחקרים אלה יספקו ראיות ברמה גבוהה הדרושים כדי לתמוך בשימוש קליני שגרתי. כמו AI בוגר כלי מחקר כדי עוזר קליני, ההשפעה שלה על גילוי מוקדם של סרטן שלפוחית השתן וסרטן שלפוחית השתן הופכת טיפול סטנדרטי.

מסקנה

טכניקות מונעות בינה מלאכותית מממשות את הגילוי האוטומטי של סרטן הכליות והשלפוחית השתן באולטרסאונד וב-MRI. על ידי מינוף למידה עמוקה, רדיומיים ואינטגרציה רב-ממדית, מערכות אלה משפרות את הדיוק האבחון, להפחית את יכולת הדיבור של הקורא, ומזרזות את הפרשנות.בעוד שהאתגרים נשארים בעקביות נתונים, כללי, ואימוץ קליני, תוצאות מתמשך ב- AI, למידה, ואימות פוטנציאליים, יתאים את התפקודים שלהם, יתאים את הטיפול הרפואי, ויספקו את הכלים המוקדמים שלהם, ויספקו את הטיפול הרפואי, ויספקו את הטיפול הרפואי, ויספקו את הטיפול הרפואי, ויתאים יותר, ויתאים יותר, ויתאים את הטיפול הרפואי, ויתאים יותר, ויתאים את הטיפול הרפואי, ויתאים יותר, ויתאים יותר, ויתאים את הטיפול הרפואיים טוב יותר, ויתאים יותר, ויתאים לשיפור הטיפול הרפואי, ויתאים את הטיפול הרפואי, ויתאים לשיפור הטיפול הרפואי, ויתאים לשיפור הטיפול הרפואי, ויתאים יותר, ויתאים יותר, ויתאים יותר טוב יותר, ויתאים את הטיפול הרפואי, ויתאים לשיפור הטיפול הרפואי, ויתאים יותר, ויתאים את הטיפול התרו את הטיפול התרורידולוגים את הטיפול התרורידולוגים בצורה יעילה