היכרות עם מספר רב של Myeloma ו-Dignostic Challenges

מספר מיאלומה (MM) הוא תת-תזונה של תאים פלזמה, המהווה כ-1.8% מכלל סוגי הסרטן וכ-10% מהמשונות הגאולוגיים של המחלה מקורה בממח העצם, שבו תאים פלזמה חריגים מתרבים ללא שליטה, המוביל לתופעות העצם האוסטאומטיות, אנמיה, פגיעה חוזרת ותפקוד חיסוני.

מסלולים אבחון לאותנטיים עבור MM כוללים אלקטרופורזה חלבון סרום, שרשרת אור חינם כפיסים, שאיפה העצם ו biopsy, ואת לימודי הדמיה. בעוד שיטות אלה היו תקן זהב במשך עשרות שנים, הם נושאים מגבלות משמעותיות. ספוגי עצם ביופסיות הם פולשניים ומדגימים רק אתר אחד, פוטנציאל חסר סדקים של מקדימים מבוססי רנטגן, משמש זמן רב כדי לזהות אינדיקטורים מוקדמים יותר, אבל הם סימנים רפואיים רגישים מוקדם יותר.

למידה עמוקה בהפרעות רפואיות: פריים

למידה עמוקה, תת-שדה של למידת מכונה, משתמשת ברשתות עצביות מלאכותיות מרובות-שכבות כדי ללמוד באופן אוטומטי ייצוגים היררכיים מהנתונים.בדמיה רפואית, רשתות ערפיליות מהפכתיות (CNN) הפכו לאדריכלות העבודה מכיוון שהם מצטיינים בלכידת היררכיות מרחביות - פסגות, מרקמים, צורות, ותכונות פתולוגיות גבוהות יותר.

ההצלחה של למידה עמוקה במשימות כגון בדיקת רטינופתיה סוכרתית, זיהוי ריאות, וסיווג סרטן השד דחקה את היישום שלה הדמיה העצם עבור MM. התקדמות מפתח כוללים את הזמינות של נתונים לא מנוסים גדולים, GPUים חזקים, ולהעביר למידה - טכניקה כי לפני אימון מודל על תמונה כללית (למשל, תמונה) ולאחר מכן - טונים חזקים על כמות רפואית מופחתת זה צריך ירידה דרמטית של נתונים.

לקבלת סקירה מצוינת של עקרונות למידה עמוקים החלים על רדיולוגיה, הקוראים עשויים להתייעץ עם הסקירה מקיפה של החברה הרדיולוגית של צפון אמריקה (ראה FLT:0RSNA ReviewFLT:1).

שיטות פיתוח למודלים למידה עמוקה ב-Bouomaging

רכישת נתונים ותיקון

הבסיס של כל מערכת למידה עמוקה חזקה הוא באיכות גבוהה, מגוונת, ובאופן קפדני נוטנת נתונים. עבור הדמיה עצם MM, זה בדרך כלל כולל סריקות CT של גוף נמוך, MRI שלם, או פוליטרון פליטה טומוגרפיה (PET) / סקר יחיד עשוי לכלול מאות של פרוסות axial, כל אחד הדורש תווית מנוסה על ידי דלקת ריאות / ⁇ (מסומטים) או מטריה גלובלית של תאים פגומים לעתים קרובות).

מוסדות מתמודדים עם מכשולים משמעותיים באוסף נתונים: חששות פרטיות המטופל (GDPR, HIPAA), פרוטוקולי הדמיה heterogeneous בכל מרכזי, חוסר איזון מעמד ( סריקות נורמליות הרבה מחוץ לתופעות חריגות), ואת העלות של זמן ההנעה של אנטרציה.כדי לצמצם את אלה, החוקרים פיתחו כלי מוטציות למחצה-אוטומטיים וממנף נתונים ציבוריים כמו ה-ICCIC) או מודל הניגודיות (MMST), הרחבת המחקר, הניגודיות (MMST-R) ניגודיות (מחדש, מוטציות יעילות).

מחקר מקיף של אוניברסיטת קיימברידג '(FLT:0) תקשורת טבע, 2020FLT:1) הראה CNN מאומן על יותר מ-5,000 סריקות CT ממדינות מרובות, השגת רגישות של 92% לגילוי נגעים MM-קשורים lytic.

בחירת מודל

בעוד ש-CNN הגנריים (למשל, ResNet, DenseNet) יכולים לשמש לסיווג של סריקות שלמות או אזורים, חוקרים רבים משתמשים כעת באדריכלות מבוססות רשת עבור משימות פלחציה.U-Net, המיועד במקור לפרשת תמונות ביו-רפואית, משתמשים במבנה קודקוד-קודקודקודקוד-קוד עם חיבורים מדלגים המשמרים מידע מרחבי.

מנגנוני תשומת לב, פופולריים על ידי אדריכלות הרובוטריקנית בעיבוד שפה טבעית, מותאמים לדמיית רפואית.שערי תשומת לב מאפשרים לרשת להתמקד בתחומים רלוונטיים קלינית תוך דיכוי רעש רקע.בדמיית העצם MM, זה אומר שהמודל יכול להדגיש שינויים חד-צדדיים העצם שעשויות להדוף הרס lytic, המאפשר אבחון מוקדם יותר.

שלושה ממדים (3D) CNN, אשר מעבד נתונים מורכבים ישירות, הראו ביצועים מעולים על ניתוח פרוסה 2D כי הם ללכוד את הטבע תלת-ממדי האמיתי של נגעים העצם.עם זאת, מודלים 3D דורשים באופן משמעותי יותר זיכרון ומשאבים חישוביים. גישה מאוזנת היא להשתמש בשיטת 2.5D - הנקה סגמנטלית, כלילית ו- sagittals לתוך רשת 2D - אשר פשרה בין ביצועים מעשיים לבין תפקוד מעשי.

אסטרטגיות אימון ואימות

אימון מודל מתחיל עם פיצול של הנתונים לאימון (בדרך כלל 70-80%), אימות (10-15%), ובדיקה (10-15%) תת-קרקעית, הבטחת שום חפיפה של המטופל בין קבוצות. במהלך אימון, המודל מצמצם את תפקוד אובדן - לעתים קרובות שילוב של בין נזיפה בין בינארית לסיוג וירידה של Dice עבור פלחציה - שימוש בירידה ⁇ סטית או ב-Adamrs למידה.

יש לבחור בזהירות כדי לשקף את התועלת הקלינית.עבור פיזור, את ההסתברות דומה Dice (DSC) ואת מרחק ההודורף הם נפוצים. עבור סיווג, רגישות (recall), ספציפיות, ערך חיזוי חיובי (precision), ואת האזור תחת עקומת הפעלה המקלט (AUC-ROC) הם חיוניים.לוגים אכפת לחולים שלילומה במיוחד ערך גבוה כדי למנוע אבחון מוקדם, בעוד תסמינים ספציפיים, תוך כדי להפחית חרדה מסוימת.

אימות חיצוני קפדני על נתונים ממוסד שונה או מכונת הדמיה הוא קריטי להפגין כלליזציה.מודלים מפורסמים רבים נכשל בשלב זה בשל שינוי התחום - ניתוק מודלים סורקים, פרמטרים רכישה, או דמוגרפים המטופל. , שבו מודלים מאומן על פני אתרים מרובים ללא שיתוף נתונים גולמי, הוא פתרון מתפתח לאתגר זה.

יתרונות קליניים וביצועים הנוכחיים

מודלים למידה עמוקה עבור הדמיה העצם MM השיגו דיוק יוצא דופן במחקרים מבוקרים.מדדי ביצועים אופייניים כוללים ערכי AUC מעל 0.90, רגישות מעל 85%, ופרטים סביב 90% עבור זיהוי נגעים אוסטיאוטיים על CT.עבור MRI שלם, מודלים הראו ביצועים דומים או עליון כדי רדיולוגים בזיהוי דיפרנציות מטבול.

יתרונות מרכזיים על פרשנות ידנית כוללים:

  • (FLT:0Speed:E) A CNN יכול לעבד סריקת CT שלמה בתוך שניות לעומת 15-30 דקות עבור רדיולוג.
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) (ב) ⁇ :0) רגישות למושגים עדינים: FIRLT:1) למידה עמוקה יכולה לזהות שינויים בקנה מידה מיקרון במבנה העצם הטרבוארי, אשר נמלטים מעיני האדם.
  • (ב) [15] , ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) ,Triage:FLT:1 בבתי חולים עסוקים, מערכת בינה מלאכותית יכולה לדגל מקרים דמויי משקל גבוהים לסקירה מיידית, צמצום זמן לטיפול.

עם זאת, חיוני למזג התלהבות עם המציאות.רוב התוצאות המדווחות מגיעות ממחקרים רטרוספקטיביים עם נתונים מחוסנים בקפידה.הסתברותיים, ניסויים רב מרכזי עדיין אינם נדירים. A 2023 סקירה שיטתית ב-FLT:0 European RadioarchalFLT:1 (FLT:2see the review hereFLT 3: 3) ציינה כי רק 12% מהמחקרים שבוצעו אימות חיצוני, ואפילו העריכו פחות אינטגרציה קלינית.

שילוב לתוך זרימת עבודה קלינית

חלוקת מודל למידה עמוק בסביבה קלינית אמיתית דורשת הרבה יותר מאשר רשת עצבית מאומנת היטב.

  • (FLT:0) אישור רישום: FLT1 בארצות הברית, ה- FDA מגדיר תוכנה כמו SaMD (תוכנה כמכשיר רפואי) רוב המודלים הנוכחיים עבור MM עדיין לא קיבלו אישור, אם כי כמה חברות רודף אותה.
  • (FLT:0User Interface:BuildFLT:1 רדיולוגים צריכים דרך חלקה להציג את הפלטים של AI (למשל, עיכובים, ציוני ביטחון) בתוך מערכת הרש"פ הקיימת שלהם (מערכת ארצ'יב ותקשורת).
  • (FLT:0) בין-חשיבות: 1FLT (מרפאות) הם בעלי יכולת לסמוך על "קופסא שחורה" (טכניקות AI הסבירות - כגון מפות ייצוגיות (CAM) או מפתות חום קשב - יכול להראות אילו אזורי תמונה נחשבו חשובים, בניית אמון ועזרה בניתוח שגיאות.
  • (FLT:0)Quality Assurance:FLT:1 ניטור רציף של ביצועי מודל במקרים הקרובים הוא הכרחי כדי לזהות סחף נתונים, כגון סורק CT חדש מותקנים כי שינויים מאפייני תמונה.

פריסות טייס תוארו במרכזים כגון:0Dana-Farber Cancer InstitutecioFLT:1, שבו כלי AI לאיתור MM נבדק במקביל לרדיולוגיה סטנדרטית קורא.

קווי עתיד וגבולות מחקר

למידה עמוקה

הדמיה העצם לבד לא יכול ללכוד את התמונה המלאה של פעילות המחלה MM.שלב הדמיה עם נתונים קליניים, ערכי מעבדה (למשל, סרום M-חלבון, בטא-2 microglobulin), ו סמנים גנטיים יכולים להוביל מודלים מדויקים יותר פרוגנוסטיים.אדריכלות רב-ממדית כי ממזגת תכונות תמונה בנוי עם נתונים הם תחום פעיל של מחקר.

הסבר אמין ואמין ב-AI

הגופים והרופאים תובעניים יותר ויותר שקיפות.שיטות כגון הסברים המבוססים על רעיון או הסברים מנוגדים – מה שמוכיח כיצד תמונה תצטרך לשנות כדי להפוך את האבחנה – מפותחות.המטרה אינה רק להבין מדוע מודל קיבל החלטה אלא גם לזהות מקרים שבהם ייתכן שהוא טועה, כמו כאשר אי עצם שפיר מבולבל עם עול מטושטש.

גילוי מוקדם ומסך

מקרים רבים של Myeloma קדמו על ידי מצב טרום-מאיר הנקרא מונוקמטופתיה מונוקלית של משמעות בלתי מוגדרת (MGUS) בשלב זה, הדמיה העצם היא בדרך כלל נורמלית, אבל שינויים מיקרו-אסטיים עדינים עשויים להיות נוכחים.מודלים למידה עמוקה מאומן על רזולוציה גבוהה peripheral CT (HR-pQCT) או ניתוח של CT קונבנציונלי יכול לזהות אנשים בסיכון גבוה של התקדמות אנלוגית לפני בדיקת סרטן.

הגדרות בלתי מוגבלות

מחסום משמעותי לאימוץ נרחב הוא העלות החישובית של דגמי 3D גדולים של רשתות CNN. Lightweight מודלים - כגון ארכיטקטורות מבוססות MobileNet או רשתות ארכיטקטורת עצביות חיפוש - יכולות לפעול על מכשירים ניידים או פלטפורמות המבוססות על ענן עם זמינות GPU מוגבלת. בשילוב עם טללוגיה, מודלים אלה יכולים להביא זיהוי העצם ברמת מומחים לאזורים תחת רדיולוגים.

אתגרים ושיקולים אתיים

בעוד ההבטחה של למידה עמוקה עבור אבחון MM היא משמעותית, כמה מכשולים נשארים.הטרוגניות נתונים, חוסר איזון מעמד, ואת הצורך של נתונים לא מאונטנים גדולים ממשיכים להדוף התקדמות.יתר, הטיה אלגוריתמית - שבו מודל מבצע גרוע על קבוצות דמוגרפיות מסוימות בשל ייצוג תחת הערכה של נתונים הכשרה - הוא דאגה רצינית כי יש לטפל באמצעות איסוף נתונים מגוונים והוגנות.

יש גם את הסיכון של over-reliance על AI.מערכת כי דגלים את כל הממצאים המעמיקים כמו חיובי יכול להוביל ביופסים מיותרים וחרדה סבלנית.conversely, מודל עם רגישות נמוכה יכול לעכב את האבחנה.הפרדיגמה האנושית-ב-ב-ה-אלפרלופ נותר חיוני, שבו AI משמש קורא שני או כלי שלישי יותר מאשר תחליף לרדיולוג.

לבסוף, רופאים חייבים להבין את המגבלות: מודלים למידה עמוקה הם לעתים קרובות שופעים להפרעות מצוקות רציונאליות - שינויים קטנים, בלתי מובנים בתמונה שיכולה להפוך את החיזוי. בעוד התקפות מצוקות לא סבירות בפרקטיקה קלינית שגרתית, הם מדגישים את הצורך באימות חזק.

מסקנה

מודלים למידה עמוקה הראו פוטנציאל יוצא דופן באבחון מדויק של מיאלומה מרובות מהדמיה העצם, outperforming שיטות מסורתיות במהירות, עקביות, רגישות.התקדמות באדריכלות CNN, טכניקות הכשרה וזמינות נתונים הביאו אותנו לסף של פריסה קלינית.אך המסע ממחקר לטיפול שגרתי דורש אימות פוטנציאלי קפדני, אישור רגולטורי, שילוב עבודה חלקה, ומחויבות לשקיפות.

שיתוף פעולה בין רדיולוגים, המטולוגיה, מדעני נתונים ומומחים רגולטוריים יהיה קריטי לממש את מלוא הפוטנציאל של AI בהפיכת אבחון מיאלומה מרובים. כמו שדה הבוגר, אנו יכולים לצפות כי למידה עמוקה לא רק תשפר דיוק אבחון אלא גם לאפשר זיהוי מוקדם יותר, תכנון טיפול מותאם אישית, ובסופו של דבר תוצאות טובות יותר עבור חולים עם מחלה מאתגרת זו.