יישום למידה מכונת לגלות ולבדיל את קוטבי הריאה בנתונים Ct

הקדמה: האתגר הקליני של אימוץ AI

סרטן הריאות נשאר הגורם המוביל לתמותה הקשורה לסרטן ברחבי העולם, האחראי על 1.8 מיליון מקרי מוות בשנה.המבוא של תוכניות סינון נמוכות של קודקוד (LDCT) תוכניות סינון, שאושרו על ידי מחקרים ציוני דרך כמו משפט מסך לאומי Lung (NLSTologist), שיפר באופן משמעותי את שיעורי זיהוי מוקדם.עם זאת, הצלחה זו מייצרת אתגר נתונים עצום: כל מחקר קליני מייצר באופן משמעותי של 300 ש"ח, על ידי סקירה משמעותית של נתונים.

בין המחקרים הללו דורש חיפוש חזותי ממצה עבור nodules קטנים, לעתים קרובות איכויות עדין כי עשוי לייצג רשלנות בשלבים המוקדמים. המשימה נוטה בין קוראות ריקנות, עייפות, ואת מדי פעם מתגעגעים למציאת מידע. Machine Learning (ML), במיוחד למידה עמוקה מוחלת על ראיית מחשב, מטפלות ישירות בזיהוי ובאופי של ניתוח שטף, ללא תיקון של מערכת הפעלה מדויקת של מערכת הפעלה פתורה, במיוחד של תפקוד פתורים, כלומר, ללא שינוי קבוע, ללא שינוי, כלומר, כלומר, ללא שינוי מדויק של מערכת הפעלה אוטומטית של מערכת הפעלה של מערכת הפעלה אוטומטית של מערכת הפעלה של מערכת הפעלה פשטנית.

זרימת העבודה הטכנית: החל מ- Raw DICOM ועד לתכונות מעשיות

בניית צינור ML יעיל עבור נתוני CT דורש יותר מאשר רק רשת עצבית חזקה.הוא דורש שכבת עיבוד חזקה, נתונים אימון מחוספס בקפידה והבנה ברורה של משימות המדידה הקליניות הכרוכות.

קידוד נתונים ו- Public Benchmarks

(המודלים קשורים ישירות לאיכות ולמגוון של מערכת ההכשרה.ה-FLT:0Lung Image Database Consortium ו- Image Database Initiative (LIDC-IDRI)FLT:1 נשאר מדד הנתונים הציבוריים הסטנדרטיים של זהב, המכיל 1,018 סריקות זיהוי ליבות CT דביקות עם les קריטיים לא ממוחזרים בתהליך של 2 מטופחות על ידי ארבעה אטומים מנוסים.

עיבוד תמונה והתאמה

נתונים CT מציגים הבדלים משמעותיים בערכי הגודש והעוצמה של voxel. A סטנדרטי מעבד צינורות להמיר את ה- DICOM pixel ⁇ לתוך יחידות Hounsfield (HU), המייצגים את מקדם ההנעה ליניארי של הרקמה הדמומית. a חלון ריאות טיפוסי מרכזי סביב -600 עצום עם רוחב של 1500, ביעילות קידוד ערכים לטווח עצום [13, למקסימום בין מולקולה רכה למולקולרית.

הדגימה לגודל סטנדרטי של isotropic voxel (למשל, 1mm x 1mm x 1mm x 1mm) הוא חיוני לשמירה על עקביות מרחבית על סריקות ומאפשר מודלים ללמוד תכונות עצמאיות של עובי פרוסה או שדה של תצוגה. שלב זה כרוך לעתים קרובות באמצעות טכניקות בין-פולציה כמו tri ליניארי או B-spline אינטרפולציה ישירות על נפח 3D.

אדריכלות למידה מכונות לגילוי Nodule

משימת זיהוי כוללת סריקה של נפח הריאות כולו כדי לזהות מיקומים של מועמד נודלו.זו בעיה זיהוי אובייקטים קלאסית המותאם לתחום הדמיה רפואית תלת-ממדית.

2D לעומת 3D Convolutional Neural Networks

גישות מוקדמות החלות 2D CNNs (למשל, 2D ResNet או DenseNet) פרוסות על ידי-שכינים.בעוד יעיל חישובי, שיטה זו מטשטשת את ההקשר הנפח הקריטי, כגון היחסים בין נודול וכלי דם סמוכים או סדקים.מערכת מודרנית-of-the-art מסתמכת על 3D CNN אשר מעבדים את הנתונים המורכבים.

אדריכלות כמו 3D ResNet, 3D DenseNet, ותוכננה במיוחד רשתות זיהוי nodule (למשל, NoduleNet) להשתמש מסננים 3D convolutional כדי ללכוד תכונות מרחביות לאורך z-axis. דפוס משותף הוא השימוש של רשת הצעה אזור (RPN) נגזר מ- Faster R-CNN, מותאם לפלט 3D תיבות של 2D במקום 2D עיגוןs.

כתובת: Class Im Balance Problem

בסריקה אופיינית של CT, הרוב המכריע של voxels מייצג רקמת ריאות רגילה. מועמדים טובים נודלו חיובי מהווים שבריר זעירה של נפח הכולל.ללא טיפול זהיר, מתווך תמים ינבא "נורמלי" עבור כל אזור וישיג דיוק גבוה תוך כשל לחלוטין במשימה הקלינית.טכניקות כדי לטפל זה כוללים:

• (FLT:0) Online Hard Negative Mining:FLT:1 במהלך אימון, דגימה במפורש את האזורים השליליים ביותר שקריים כדי לכפות את המודל ללמוד תכונות לא חוקיות.
• (FLT:0) אובדן מוחלט: FLT:1 שינוי של אובדן קרוס-פרופורציה סטנדרטי כי משקל נמוך יותר דוגמאות קלות ומתמקד אימון על מערכת קשה, חסינה של נוודים פוטנציאליים.
• (FLT:0)Multi-Task Learning:FreaLT:1) מאמנת את הרשת לחיזוי נוכחות של נודקולה במקביל, קואורדינטות של ארגז, ומסכת פלמנטציה משותפת של משימות עזר מסדירות את משימת הגילוי העיקרית ומשפרת את הביצועים הכוללים.

המונחים: Precise Morphology

פלח מדויק הוא חיוני עבור לאפיין את nodule. The FLT:0U-Netenti אדריכלות FLT:1 ואת המקבילה 3D שלה, V-Net, הם הסטנדרטים דה- Facto עבור משימה זו. המבנה קודקוד שלהם עם חיבורים דלג מאפשר המודל לשמור על פרטים מרחביים ברזולוציה גבוהה תוך מינוף תכונות סמנטיות עמוקות.

• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0) ,Texture Classification:FLT:1 מסווג את ההרכב הפנימי כעצמאי, חלקי, או איכויות זכוכית קרקעיות (GGO), כפי שהוגדר על ידי מערכת הדיווח Lung-RADS.

הערכה מתקדמת וחיזוי סיכונים

זיהוי מספק את המיקום; אפיון מספק את ההקשר הקליני.מערכות ML מודרניות ללכת הרבה מעבר למידות פשוטות בגודל כדי לספק הערכה של סיכון רב-תחומי לכל אחד מהם זוהה.

חידוש רדיומי עם Deep Learning

רדיוממים מתייחסים למיצוי של תכונות כמותיות של תמונות רפואיות.תכונות רדיומיות מסורתיות (למשל, קומפקטיות צורה, אדמוניות מרקם מ- Gray-Level Co-occurrence Matrix (GLCM), ניתן לשלב את אינטנסיביות שלו עם תכונות וקטורים ממודלים למידה עמוקים.

ניתוח ארוך וצמיחה מעקב

nodules Stable הם בדרך כלל שפיר; נוודים גדלים הם חשדנים. Calculating נפח הכפלת זמן (VDT) דורש רישום מדויק של סריקות CT מעקב עם מחקר בסיס. אלגוריתמי רישום מבוסס ML (למשל, Voxel Morph) deform one time על הגיאומטריה של אחר, המאפשר השוואה ישירה של Nod Reule רשתות עצביות (NR) יכול להפוך את הדינמיקה פשוטה של נתונים על גבי הסימולטור על גבי הסימולטור.

שילוב עם מערכות דיווח סטנדרטיות

כדי להשתלב בצורה חלקה בזרימות עבודה קליניות, תפוקה של ML צריכה למפות את מסגרות הדיווח מבוססות כמו Lung-RADS. מודל ניתן לאמן כדי לחזות ישירות את הקטגוריה Lung-RADS עבור nodule או סריקה נתונה.זה מגשר הפער בין פלט ההסתברות הגולמי של הרשת העצבית לבין הקווים הקליניים הניתנים לפעולה, אשר משתמשים כדי לקבוע מרווחי מעקב או צורך ביופסיה.

מעבר לגדרות ל Deployment קלינית

הביצועים הטכניים של מודל ML על מערכת במבחן שנערך הוא רק ההוריד הראשון.הפצה של מערכת אמינה, אמינה בסביבה קלינית חיה מציגה אתגרים הנדסיים ותפעוליים משמעותיים.

כלליזציה ו- Domain Shift

מודל המוכשר על סריקות ממוסד ספציפי עם סורק CT ספציפי עלול להיכשל כאשר חלים על נתונים של יצרן אחר או פרוטוקול שיקום.זה ידוע כשינוי דומיין.טכניקות כדי להקטין את זה כוללים:

• (ב) ⁇ :0) ,5 ,5 ,1) שיפור משמעותי בסימול רמות רעש שונות, וריאציות ניגודיות והחלטות מרחביות במהלך אימון.
• (FLT:0)Domain Fitment:FLT:1 אסטרטגיות אימון עו"ד שבו המודל לומד ייצוגים תכונה כי הם invariant לדומיינים המקור (למשל, סוג הסורק).
• (FLT:0) ניטור רציף: 1FLT (מעקב אחר לוחות נתונים של יישום מודלים מדדים ביצועים (למשל, זיהוי רגישות, ערך חיזוי חיובי) על פני תת-אוכלוסיות שונות ומודלים סורקים כדי לזהות סחף בזמן אמת.

הסברה ואמון קליני

רדיולוגים אינם צפויים לסמוך על אלגוריתם שחור-תיבת וידאו, אשר מציע הצעות אבחון קריטיות.טכניקות אי-אפשרות הן חיוניות לבניית אמון וכישלונות מודל מבועתים.

• (FLT:0) מפות נאמנות וגביד-CAM:03:03:03:1) טכניקות אלה מדגישות את האזורים של תמונת קלט שהיו בעלי השפעה רבה ביותר בהחלטת המודל.עבור מודל זיהוי נודל, יתר על Grad-CAM צריך להתאים הדוק עם גבול נודל.
• (FLT:0) תוך שימת קשב: FLT:1 מודלים המבוססים על Transformer (למשל, Swin UNETR) מפנים את מפות תשומת הלב, ומספקים הדמיה מובנה של אשר מערכת יחסים voxel המודל לפני שהגיע למסקנה שלה.

מתן רציונליות חזותית ברורה עבור כל גילוי מזוהה מאפשר לרדיולוג לאשר את ההיגיון של המודל, לדחות חיובי כוזב במהירות, ולבטוח בחיובים האמיתיים.

נתיבי מילואים ותשתיות

§ § כלי בינה מלאכותית קליני דורש מסגרת רגולטורית מתפתלת כגון ה- FDA 510(k) נקה.ה-FLT:0.FDA ביסס מסגרת עבור תוכנת AI/ML כמכשיר רפואי (SaMD)FLT:1, תוך התמקדות ב"הטבעת מחזור חיי המוצר" והצורך במעקב מתמשך.

מנקודת מבט תשתיות, צינורות בינה מלאכותית רפואיים חייבים להשתלב עם מערכות צילום ותקשורת קיימות (PACS) באמצעות תקן DICOM. המודל ההיקף חייב להיות מהיר מספיק כדי לא להפריע לזרימת העבודה של רדיולוגיה.

• (ב) [15] ב-Premise Inference:FreaLT:1) הפעלת צמתים המופעלים על ידי GPU בתוך רשת בית החולים כדי למזער את התוקפנות וההירות של נתונים.
• (ב) ⁇ :0Cloud-based Triage:FLT:1 Sending de-identified DICOM כדי להשיג נקודת קצה בענן בטוחה לניתוח סינכרוני.
• (FLT:0) ,Edge Deployment: FIRLT:1) פועל מודלים אופטימיזציה ישירות על קונסולת הסורק CT או עבודה ייעודית.

בניית תשתית עבור AI רפואי בקנה מידה

ניהול מחזור החיים של דגמי הדמיה רפואית ML דורש מסגרת MLOps חזקה.הצי של מודלים המעצמה מחלקת רדיולוגיה מודרנית צריך תזמורת זהירה.

גירסאות נתונים וניסויים מעקב

כל סריקה, אנטוט וצעד עיבוד יש להיות גרסה. כלים כמו DVC (בקרת נתונים) לאפשר לצוותים לצלם את הנתונים המדויקים המשמשים לאימון. פלטפורמות מעקב ניסיוני (למשל, MLflow, משקולות ו-Bases) לטבוליפרפרפרפרמטרים, משקולות מודל והערכה (רגישות, ספציפיות, שטח תחת עקומה (AUC) עבור יכולת התחדשות וביקורת.

המונחים: different systems

מסגרות למידה עמוקות תכליתיות חסרות פונקציונליות ספציפית לתחום עבור הדמיה רפואית.0.MONAI (רשת פתוחה רפואית עבור AI) ראשי תיבות של AI)FLT:1, שנבנה על PyTorch, מספק רכיבים שנבנו מראש עבור תמונה רפואית preprocessing, הגדלת, ארכיטקטורות רשת (למשל, Dynunet, SegsNet), והערכה של מדדים (למשל, Dice, מרחקים מתקדמים).

כיוונים עתידיים ב-Lung cancer Screening

התחום נע במהירות מעבר לגילוי נודל בודד לקראת הקרנה מקיפה, רב-אורגנית וחיזוי סיכון רב-ממדי.

תוצאות חיפוש

סריקת CT תל-אביבית מכילה מידע אבחון עשיר מעבר לריאות.מודלים של ML מפותחים כדי לזהות בו-זמנית סידן עורקים כלילית, נוירוטימטיקה אאורטית, שברים דחיסות ויזואליות, וממצאים חשודים בכבד והכליות.מערכת ריצוף יחיד אוטומטית יכולה לדגל את כל החריגות הפוטנציאליות, להבטיח שאף אחד לא משקיף על תהליך הטיהור הדו"ח.

Multimodal Risk Modeling (Radiogenomics)

שילוב נתוני הדמיה עם גורמי סיכון קליניים (גיל, היסטוריה של עישון, היסטוריה משפחתית) ו- genomic biomarkers מ ביופסים נוזליים או דגימות רקמות מציע את הפוטנציאל עבור stratification בסיכון מותאמים אישית מאוד.מודלים למידה עמוקה יכולים לשלב מקורות נתונים heterogeneous אלה כדי לחזות לא רק אם nodule הוא סרטןous, אלא גם את תת-סוג ספציפי למוטציות, וסביר להניח תגובה ממוקדת זה מסלול זיהוי מקיף.

מסקנה: הפעלת הצי

החלת למידת מכונה לניתוח pulmonary nodule עברה מבעיה מחקר אקדמי כלי קליני קיימא. Achievable ביצועים מטריים עכשיו יריב או עולה על הרגישות של קוראי אדם לאיתור נוודים גדולים יותר מ 4mm. המשימה הקריטית העומדת בפני הנדסה וצוותים הקליניים כיום היא לא רק אימון מודל טוב יותר, אלא גם בניית הרגישות הניתוק, המאפשרת מודלים של מודלים חיוניים, כדי לשפר את סביבת העבודה, כמו גם את יכולת העבודה הטובה ביותר, כמו גם על ידי שיטות עבודה, רק כדי לשפר באופן עקבי, כמו גם את יעילות, כמו גם על ידי שיטות טיפוליות, כמו גם על ידי שיטות טיפוליות, כמו גם על ידי שיטות עבודה, כמו גם על ידי שיטות טיפוליות, כמו גם על ידי שיטות טיפוליות, כדי לשפר באופן עקבי, כמו גם על ידי שיטות עבודה יעילה, כמו גם על ידי שיטות עבודה, כמו גם על ידי שיטות עבודה, באופן עקבי, באופן עקבי, כדי לשפר את יעילות, באופן עקבי, כמו גם על ידי שיטות עבודה.