סרטן הריאות נשאר הגורם המוביל לתמותה הקשורה לסרטן ברחבי העולם, חשבונאות כמעט 1.8 מיליון מקרי מוות מדי שנה.האימוץ הנרחב של שגיאות בעלות ערך נמוך (LDCT) עבור בדיקת סרטן ריאות הוכיח להיות התערבות מצילה חיים, המונעת בעיקר על ידי תוצאות ניסויים מרכזיים כגון מבחן ה-Lung Define (LST) וניסוי NSON אלה הוכיחו ירידה משמעותית בתמותה חד פעמית, אשר עשוי להיות בעל השפעה ניכרת של סרטן צוואר הרחם, אך ורק לאחר מכן, ללא ספק, ללא ספק, כאשר יש צורך במקרי סרטן חדירת סרטן חד-פעמי, כי אין צורך ברזולוציה גבוהה.

למידה עמוקה, תת-קבוצה מתוחכמת של אינטליגנציה מלאכותית, התפתחה כפתרון רב עוצמה לאתגר הקליני הזה.על ידי הפעלת גילוי ואפיון של נוודים ריאות עם רמה של מהירות, דיוק ועקביות שעולה על שיטות מסורתיות, למידה עמוקה היא עיצוב יסודי של הנוף של בדיקת סרטן ריאות. טכנולוגיה זו נעה במהירות ממעבדות מחקר לתוך זרימת עבודה קלינית, המשרתת כלי קריטי המסייע לרדיולוגים, במקום להחליף אותם.

הדחף הקליני לגילוי סרטן ריאות מוקדם

הרציונלי לבדיקה נרחבת הוא ברור.כאשר סרטן ריאות מזוהה בשלב מוקדם (Stage I), שיעור ההישרדות של חמש שנים הוא כ 60%.שיעור זה צנח מתחת 10% לסרטן זוהה בשלב מרוחק (Stage IV) NLST, אשר אקראי מעל 53,000 אנשים בסיכון גבוה, מצא כי בדיקות עם LDCT הוביל לירידה של 20% יחסית בתמותה בהשוואה לחזה X-X-CT.

למרות היתרון המובהק הזה, יישום תוכניות ההקרנה בקנה מידה הוכיח מאתגר.אחד הקשיים העיקריים הוא שיעור גבוה של ממצאים חיוביים.ב- NLST, כמעט 25% מכל הבחינות ההקרנה היו בתחילה כחיוביים, למרות שרובם המכריע של אלה בסופו של דבר נקבע להיות חיובי כוזב.העומס של ממצאים חיוביים כוזבים אלה חושף חולים לקרינה פולשנית מיותרת, הליכים משמעותיים וחרדה.

מתוך Manual Reads to המסורתית Computer-Aided Detection (CAD)

לפני הופעת למידה עמוקה, הסיוע הטכנולוגי העיקרי לרדיולוגים היה זיהוי מחשב מסורתי (CAD) מערכות אלה פותחו באמצעות טכניקות ראיית מחשב קלאסיות, תוך התבססות על תכונות בעלות ידיים כדי לזהות נוודים פוטנציאליים.מהנדסים היו מתכננים אלגוריתמים לחפש צורות ספציפיות (למשל, עגול או val), תעריפים (מבוססים על יחידות Hounsfield), ו- ⁇ s בעוד מערכות מבטיחות, אלה היו לעתים קרובות כלי דם כוזבים או חום, כמו כלי דם לא היו נפוצים, כמו מבנים דלקתיים, כגון, כגון מוטציות דלקת ריאות, לעתים קרובות, כגון, כגון מוטציות דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים, או מוטציות דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים, לעתים קרובות, כגון, או מוטציות דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים, כגון, לעתים קרובות, כגון, כגון, או מוטציות דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים דלקתיים, לעתים קרובות, לעתים קרובות, לעתים קרובות, לעתים קרובות, כגון,

מפרט גרוע זה החריפה את האמון של קורנולוגים בטכנולוגיה.במקום לשפר את היעילות, ה-CAD המסורתי לעיתים קרובות משבש את זרימת העבודה, המחייב את הרדיולוגים לבלות זמן יקר בביטול הממצאים הלא רלוונטיים. כתוצאה מכך, אימוץ קליני של הדור הראשון של ה- CT היה מוגבל.המגבלה הבסיסית הייתה שמערכות אלה לא יכלו ללמוד; הם יכלו רק ליישם את החוקים הנוקשות, המוגדרים מראש שנוצרו על ידי מתכנתים שלהם.

Deep Learning: A Paradigm Shift in Feature Extraction

למידה עמוקה מייצגת שינוי פרדיגמה יסודית כיצד מחשבים מפרשים תמונות רפואיות.במקום להסתמך על כללים קודדים, מודלים למידה עמוקה, רשתות עצביות אבולוציה במיוחד (CNN), ללמוד ישירות מהנתונים. A CNN מאומן על סמך נתונים מסיביים של תמונות CT מתוייגות, שבו רדיולוגים מומחים רדיולוגים יש בקפידה לא מטשטשים את המיקום והגבולות של כל מקטע זה, במהלך תהליך הכשרה זו, הרשת לומדת באופן אוטומטי לזהות את תבניות נוכחות חיזוי ותבניות נוכחות של חיזוי ביותר.

השכבות הנמוכות של הרשת לומדות לזהות תכונות פשוטות כמו קצוות, פינות, ונפיחות. שכבות עמוק יותר משלבות תכונות פשוטות אלה כדי לזהות דפוסים מורכבים יותר, כגון מרקמים, מערכות יחסים מרחביות, ובסופו של דבר, את המורפולוגיה המלאה של נודל. היכולת הזאת ללמוד מקצה לקצה מפיקסלים לפתולוגיה היא מה שנותן מודלים למידה עמוקה הביצועים העליונים שלהם.

בהתחשב בכך שסריקות CT הן חומר רב ערך, החוקרים עברו במהירות מ 2D CNN ל- 3D CNN לנתח פיסת ציר יחיד בזמן, ייתכן שחסרה המשכיות בין פרוסות. A 3D CNN, מצד שני, מעבדים בלוק נפח של נתונים, לכידת המבנה תלת-ממדי של דיו ומערכת היחסים שלה סביב האנטומיה.

אדריכלות למידה עמוקה עבור Nodule Detection

כמה ארכיטקטורות למידה עמוקה מותאמות בהצלחה רבה עבור צינור זיהוי pulmonary nodule. בחירת האדריכלות תלויה לעתים קרובות על הצעד הספציפי של הצינור, בין אם זה דור המועמד, הפחתת חיובי כוזב או פלחציה.

  • (FLT:0) ,region-based CNNs (R-CNN): FLT:1 אדריכלות R-CNN מהיר יותר הוא גלאי שני שלבים שהפך לעמוד השדרה עבור מערכות זיהוי בעלות ביצועים גבוהים רבים.השלב הראשון משתמש ברשת הצעת אזור (RPN) כדי ליצור קבוצה של אזורי מועמד ככל הנראה להכיל נוודים.
  • (FLT:0) One-Stage Detectors (RetinaNet, YOLO): גלאי שלב אחד כמו RetinaNet מבצעים סיווג ומיקום במעבר יחיד דרך הרשת.הם לעתים קרובות מהירים יותר מאשר שני גלאי שלבים, מה שהופך אותם מתאימים יישומים בזמן אמת. Retina משתמשת באופן ספציפי בתפקוד "אובדן מוקד" כי הוא יעיל מאוד בטיפול המעמד הקיצוני ללא איזון, שבו רוב מוחלט של תמונות של מיקום של רוב מוחלט של תאים.
  • (FLT:0) Encoder-Decoder Networks (U-Net, V-Net): ⁇ 1 למשימות הדורשות פילוח ברמת פיקסל (למשל, בדיוק מתוך גבול של נודלול), ארכיטקטורות קודקוד קודקוד קודקוד הן תקן.הרשת, המותאמים ל-3D כ-V-Net, משתמשת בדרך של חיבור מדויק לתפיסת זמן מדויקת ומפורטת עבור רשתות מדויקות.

קו הטיפי למידה עמוק עבור Pulmonary Nodule Detection

מערכת זיהוי למידה עמוקה הנקראת ייצור בדרך כלל עוקב אחר צינור מובנה.צנרת זו נועדה למקסם את הרגישות והפרטים גם תוך שמירה על יכולת קלינית.

  1. (FLT:0Data Acquisition and Preprocessing:FLT:1 ; Raw CT תמונות משתנות באופן משמעותי עובי, פתרון, ומינון.הצעד הראשון הוא סטנדרטיזציה של הנתונים.זה כרוך בפיצות הנפח לרזולוציה איזוטרופית (למשל, 1mm x 1mm x 1mm X 1mm), החל חלון לנרמל את יחידת Hounsfield בעצימות (בדרך כלל 1200 חיפוש אוטומטי), ובכך להפחית את שטח החזה.
  2. (FLT:0) ,Candidate Generation (High Sרגישות): מודל 1 מותאמים להשגת רגישות כמעט מושלמת בשלב זה, המטרה היא להחמיץ אפסולים.האלגוריתם לסרוק את נפח הריאות כולו עם גישה חלון מלוטש, יצירת אלפי אזורי מועמד.צעד זה בהכרח יניב חיובי כוזבים רבים, אבל העדיפות היא להבטיח את כל האלגוריתם האמיתי לא ייתפסו.
  3. (FLT:0) ניכוי חיובי (ספקטרום גבוה): 1 המועמדים שנוצרו בשלב הקודם מוזנים למסווגן מורכב יותר, יקר חישובי זה מודל משני במיוחד מאומן להבחין בין נוודים אמיתיים מן המבנים האנטומיים הרבים (שללסלים, קווי אוויר, פיוריטים) כי הם מטופחים בשלב הראשון של המדינה-של מערכות אופטיות יכול להפחית את הרגישות החיובית ל-90% פחות מאשר שמירה על שיעור חיובי יותר מאשר ל- 90%.
  4. (FLT:0) סיווג וסיכון מחיה סקוינג: קיד 1 (לאחר שנוקל מאושר, המערכת מקצה ציון סיכון רשלני.זה יכול להיות סיווג בינארי (בזר נגד ממאיר) או ציון קטגוריאלי היישר עם הנחיות קליניות כגון Lung-RADS (מערכת הדמיה ומערכת הדמיה).

תפקידם של נתונים ציבוריים באימון מודל של רובוסט

ההתקדמות המהירה בתחום זה לא הייתה אפשרית ללא זמין לציבור, איכות גבוהה של נתונים לא ממושמעים.ה-FLT:0Lung Image Database ו- Image Database Initiative (LIDC-IDRI)FLT:1 הוא הדוגמה הבולטת ביותר.המידע הזה מכיל יותר מ-1,000 סריקות CT מהמכון הלאומי לסרטן, עם nodules annotated על ידי ארבעה מנוסים של קרינת אמת מסייעת ללכידתם של מודלים של קרינת קרינת קרינת סרטן.

האתגר של ה-FLT:0 (LUng Nodule Analysis 2016) אתגר של LIDC-IDRI על ידי סטנדרטיזציה של מסגרת ההערכה.זה סיפק ציון ברור להשוואה בין אלגוריתמים שונים, המחייבים את המשתתפים להגיש תוצאות על תת-קבוצה מוגדרת של סריקות. LUNA16 הפך לסטנדרט דה- Facto עבור הערכת מערכות זיהוי לאול, תחרות נהיגה וחדשנות אלה היו יכולים להיות יותר מתואמים את המעבדות של מודלים של ביצועים.

הערכת ביצועים: מסובכים שחשובים בהגדרות קליניות

תוך הסתמכות על הביצועים של מודל למידה עמוק לשימוש קליני דורש מעבר לדיוק פשוט.מספר מדדים מרכזיים משמשים כדי להעריך את המוכנות שלה לעולם האמיתי.

  • (הדגשה:0) רגישות (Recall): 1FLT:1 זה מודד את היכולת של המודל למצוא את ה nodules בפועל.רגישות גבוהה היא חשובה ביותר בהקרנה כדי להימנע מסרטן חסר.המטרה היא לעתים קרובות > 95% עבור nodules מעל סף גודל מסוים (למשל, 4mm).
  • (FLT:0) ,המשמעות של מודל:0 (החומרה:0) ,(FLT:1) היא היכולת של המודל לזהות נכון רקמות נורמלית (שליליות אמיתית) היא חיונית לצמצום חיובי כוזב, דבר שגורם לחרדה סבלנית ולהליכים מיותרים.
  • (FLT:0) חיובי לסורק (FP/Scanve): 1 זהו מדד קריטי לשילוב קליני.מערכת שמוסיפה 5-10 סמנים כוזבים לסריקה היא משבשת ולא יעילה. אלגוריתמים מובילים באופן עקבי להשיג פחות מ-1 FP/scan, המדגימה רמה מעשית של דיוק.
  • (FLT:0)שטחי המחוכים (AUC-ROC): אנדרט 1 זה מספק ציון אחד מסכמת את הביצועים של המודל על פני רגישות / ספציפית סף. AnUC של 0.90 ומעלה נחשב בדרך כלל מצוין בתחום זה.
  • (FLT:0) TERIEND: מהירות 1FLT היא קריטית לשילוב זרימת עבודה.המודל חייב להיות מסוגל לעבד נפח CT מלא, מהנתונים של DICOM הגולמי לתפוקה סופית, בתוך דקות, שניות אידיאליות, כדי לשמור על קצב עם תרגול קליני עסוק.

שיפור עמוק למידה לתוך קרינת עבודה רדיולוגיה

הערך האולטימטיבי של למידה עמוקה הוא הבין רק כאשר הוא משולב בצורה חלקה לתוך זרימת העבודה הקיימת של הרדיולוג.התפקוד המימוש המוצלח ביותר כעוזר אינטליגנטי, הגדלת הביצועים האנושיים ללא הוספת חיכוך.אינטגרציה זו מתרחשת בדרך כלל באמצעות מערכת המידע של רדיולוגיה (RIS) ומערכת צילום ארצ'יב ותקשורת (PACS).

(ב) ישנם כמה פרדיגמות אינטגרציה נפוצות (FLT:0II-readeruas) המכיל מודל 1:1, AI מנתח את הסריקה באופן אוטונומי.התוצאות שלה בהשוואה לדו"ח הראשוני של הרדיולוג אם קיים דיסקרטי משמעותי (למשל, לא מעט יותר מפוספס על ידי AI כי הרדיולוג החמצם), המקרה הוא משונן לדימויים מתקדמים ביותר: 4.

כדי שאינטגרציה תהיה מוצלחת, ממשק המשתמש חייב להיות אינטואיטיבית.יש להציג תוצאות כדבילי DICOM סטנדרטיים, מראה את המיקום, גודל והסתברות רשלנות עבור כל אחד מהם מזוהה nodule.המערכת חייבת לאפשר לרדיוולוג לקבל, לדחות או לשנות את הממצאים של AI עם לחיצה אחת. כאשר מיושם כראוי, למידה עמוקה מפחיתה את הנטל הקוגניטיבי על הרדיולוג, להפחית את זמני הקריאה, ולשפר את האמון, במיוחד עבור תסמינים או להתעלם.

כתובת: Limitations and Charting the Path Forward

למרות ההבטחה העצומה שלה, הפריסה של למידה עמוקה בבדיקת סרטן ריאות אינה ללא אתגרים משמעותיים.אחד הנושאים הדוחקים ביותר הוא FLT:0domain ShiftFLT:1 [מודלים מאומן על LIDC-IDRIset, אשר נאסף באמצעות סורקים ופרוטוקולים ישנים מתחילת שנות ה-2000, לא יכול להופיע גם על סריקות אולטרה סגולות מודרניות מיצרנים שונים (GE, משקף ספקטרום קליני, מ-Analytics, מ-Autos) ספקטרום רחב של ספקטרום, ספקטרום, ספקטרום, ספקטרום רחב, ספקטרום, ספקטרום, ספקטרום קליני, ספקטרום רחב של ספקטרום רחב, ספקטרום רחב של ספקטרום, ספקטרום, ספקטרום, ספקטרום, ספקטרום, כולל, ספקטרום רחב של ספקטרום רחב-R.

(FLT:0 InterpretabilityFLT:1 נשאר מפתח עבור בניית אמון. רדיולוגים מבינים כי הוא מסוגל להסתמך על "קופסא שחורה" טכניקות כמו מיפוי סלנסיות וגראד-CAM (Gradient-class Defivation Mapping) יכול לטפל בזה באופן חלקי על ידי יצירת מפת חום להראות אילו אזורים של המודל נחשב החשוב ביותר עבור כלי פעולה אלה לא ממקדמים את עצמו.

ה- FDA הבהיר מספר גדל והולך של גילוי מחשב מבוסס AI (CAD) ואבחון ממוחשב (CADx) מכשירים אלה, ה- FDA הבהיר מספר גדל והולך של מחשוב מבוסס AI-Aided Detection (CADe) ואבחון ממוחשב (CADx) מכשירים ברורים אלה דורשים מחקרים אימות קפדניים המוכיחים את בטיחות ויעילות.

לבסוף, (FLT:0) ההטיה הפילוסופית של LT:1) היא דאגה ביקורתית.אם מודל מאומנים בעיקר על נתונים מקבוצה דמוגרפית אחת, הביצועים שלו עשויים להיות גרועים משמעותית על אוכלוסיות אחרות. אימות נרחב על פני קבוצות גזעיות, אתניות, וקבוצות סוציו-אקונומיות שונות חיוני כדי להבטיח כי היתרונות של הקרנה מגובשת של AI מופצות הם מבוזרים באופן שווה ולא להחמיר פערי בריאות קיימים.

כיוונים עתידיים

העתיד של למידה עמוקה בבדיקת סרטן ריאות מתרחב הרבה מעבר לגילוי פשוט.0. [ניתוח ארוך-טווח] 1 הוא תחום מרכזי של מחקר פעיל.מערכות בינה מלאכותית מפותחות לרשום באופן אוטומטי את הסריקה הנוכחית של המטופל עם הסריקה הקודמת שלהם, למדוד במדויק את צמיחת nodule או יציבות לאורך זמן, ולחשב את זמני הפחתת נפח מדויק.

כיוון מבטיח אחר הוא (FLT:0)multi-taskלומד (D) במקום לזהות רק נוודים, מודלים עתידיים יכינו באופן אוטומטי סידן עורקים כלילית, להעריך חומרת משקעים, למדוד צפיפות מינרלים העצם, ולזהות ממצאים מקריים אחרים.זה מספק הערכה מקיפה של בריאות מבדיקת בדיקה אחת, יתר על כן, שילוב של נתונים הדמיה עם נתונים קליניים, פרופילים גנטיים, וגילויי מיקרו-סגול (Fmark) לא מספק רק כדי לספק תוצאות טיפול מותאמות אישית של טיפול תרופתיות (Demd) ו-Demi-Demd) ללא בדיקה ויזואליות, לעומת בדיקה אחת.

בעוד טכנולוגיות אלה ממשיכות להתבגר, התפקיד של הרדיולוג יתפתח.הנטל של גילוי ראשוני ישתנה יותר ויותר לבינה מלאכותית, לשחרר את הרופא להתמקד במשימות הקוגניטיביות הגבוהות יותר של קורלציה קלינית, אבחון שונה, תקשורת סבלנית ותכנון ניהול מותאם אישית. למידה עמוקה אינה עומדת להכשיר את הרדיולוג מתוך עבודה; היא עומדת להעצים אותם לספק טיפול מהיר יותר, מדויק יותר, מקיף יותר לחולים שזקוקים לה ביותר.