Kemik Görüntülemelerinde Multi Myeloma tanısı için Derin Öğrenme Modelleri Geliştirme

Multi Myeloma ve Tanık Meydanlara Giriş

Multi Myeloma (MM), tüm kanserlerin yaklaşık% 1.8'i ve yaşamın yaşam kalitesini artırmak için, ancak hastalık genellikle spesifik olmayan semptomlarla ortaya çıkıyor - sinir bozucu, tekrarlayan enfeksiyonlar - bu gecikme.

MM için Konvansiyonel tanı yolu, serum protein elektroforesi, ücretsiz ışık zincir assays, kemik iliği arzuları ve biyopsileri ve görüntüleme çalışmaları içerir.Bu yöntemler on yıllardır altın standart olsa da, önemli kısıtlamalar taşırlar. Bone ilik biopsiler invazif ve örnek sadece bir site, potansiyel olarak eksik odaklamalar. X-ray-ray-yasal iskelet anketler, özellikle de erken veya küçük lezyonlar için düşük hassasiyetler vardır.

Tıbbi Görüntülemede Derin Öğrenme: Bir Primer

Derin öğrenme, makine öğreniminin alt alanı, uzaysal hiyerarşileri ele almayı başarır, dokular, şekiller ve daha yüksek düzey patolojik özellikleri kullanarak el sanatları kullanan diğer özelliklerden farklı olarak, CNNs eğitim sırasında doğrudan ilgili özellikleri öğrenir.

Diyabetik retinopati taraması gibi görevlerde derin öğrenme başarısı, akciğer nodule algılama ve meme kanseri sınıflandırması, MM. Key Progresss için kemik görüntülemeye yönelik uygulamasını önemli ölçüde veri kümesini azaltmaktadır ve öğrenme oranını azaltır - genel bir görüntü veri kümesi üzerinde bir model (örneğin, ImageNet) ve sonra daha sonra daha iyi bir tıbbi veri kümesi üzerinde inceler.Bu yaklaşım, büyük bir etiketli veri kümesini dramatik bir şekilde azaltır.

Radyolojiye uygulanan derin öğrenme ilkelerine mükemmel bir bakış için, okuyucular Kuzey Amerika Radyoloji Derneği tarafından kapsamlı bir incelemeye başvurabilirler ([Dön:0).RSNA inceleme).

Kemik Görüntülemesinde Derin Öğrenme Modelleri Geliştirme Yöntemleri

Data Acquisition and Curation

Herhangi bir sağlam derin öğrenme sisteminin temeli yüksek kaliteli, çeşitli ve titiz bir şekilde veri kümesidir.For MM kemik görüntüleme için, bu genellikle tüm düşük doz CT taramaları, tüm disiplinlerarası lezyonlar veya arka segmentler (PET) / radyo taramaları, tek bir çalışma, yüzlerce oksidatif bir görüntü seviyesi tanıyı içerebilir (projektif radyologlar veya hem de hem de hem de hematologlar tarafından dikkatli bir şekilde etiketleme gerektirir.

Kurumlar veri koleksiyonunda önemli engellerle karşı karşıyadır: hasta gizlilik kaygıları (GDPR, HIPAA), merkezlerdeki heterojen görüntüleme protokolleri, sınıf dengesizliği (normal taramalar çok fazla anormal olanları), ve o zaman zaman bir notasyon maliyeti - bu, araştırmacılar yarı otomatikleştirilmiş bir antasyon araçları geliştirdi ve Kanser Görüntüleme Archive (TCIA) veya Multi Myeloma Araştırma Vakfı (MMRF) CoMMpass çalışması. Data augmentation -ran rotasyonları azaltmak için - geri dönüşümleri geliştirdiler, geri dönüşümleri - etkili veri kümesleme boyutunu genişletir ve modellemeyi geliştirirler.

Cambridge Üniversitesi tarafından yapılan bir seminal çalışma ([Dönetici:0) Doğa İletişim, 2020) birçok ülkeden 5.000 CT tarama üzerinde eğitilmiş bir CNN, MM-associated lytic lezyonlar için% 92 oranında bir duyarlılık elde etti.

Model Mimari Seçici

jenerik CNNs (örneğin biyomedikal görüntü segmentasyon için tasarlanmış olsa da, uzaysal bilgileri koruyan bağlantıları kullanarak bir enkoder-dekoder yapısını kullanabilir.For MM için, U-Net'in tam sınırlarını daşifre edebilir, lesion count, volume ve yük gibi ölçümler sağlar.

Dikkat mekanizmaları, doğal dil işlemedeki Transformer mimarisi tarafından popülerleştirildi, tıbbi görüntüleme için uyarıldı. Dikkat kapıları, altyapı gürültülerini bastırırken klinik olarak ilgili alanlara odaklanmaya izin veriyor.In MM kemik görüntüleme, bu, modelin, daha önce teşhise olanak sağlayan periferik kemik iliği değişikliklerini vurgulayabilmesi anlamına geliyor.

Üç boyutlu (3D) CNNs, bu işlem hacminin doğrudan, 2D dilimde üstün performans gösterdiler çünkü kemik lezyonlarının gerçek üç boyutlu doğasını ele aldılar. Ancak, 3D modeller daha fazla hafıza ve hesaplama kaynakları gerektirir. dengeli bir yaklaşım 2.5D yöntemi kullanmaktır - bitişik bir yel, korol ve sagittal dilimler 2D ağa - performans ve pratiklik arasındaki gerçek üç boyutlu bir uzlaşmaya.

Eğitim Stratejileri ve Geçerlilik

Model eğitimi, veri kümesini eğitime bölmeye başlar (tipik olarak% 70-80), geçerlilik (% 10–15), ve test (% 10–15) alt setler arasında bir hastayı dengelemek için standart tekniklerdir.Eğitim sırasında, model bir çift geçiş için bir kombinasyondur - segmentasyon ve Dice kaybı - stochastic gradient iniş veya Adam optimize edicileri kullanmak. Öğrenme oranı zamanlama, erken durdurma ve kilo çürümesi önlemek için standart tekniklerdir.

Geçerlilik ölçümleri klinik faydayı yansıtacak şekilde seçilmelidir. lesion segmentasyon için, Dice benzerliği (DSC) ve Hausdorff mesafeleri yaygındır. sınıflandırma, hassasiyet (recall), spesifikity, pozitif tahmin edilebilir değer (precision), ve hasta kaygısı altında alan.

Farklı bir kurum veya görüntüleme makinesinden elde edilen veriler üzerinde titiz bir dış doğrulama, bu meydan okuma nedeniyle bu aşamada başarısız olur - tarayıcı modellerinde, satın alma parametreleri veya hasta demografikleri. Federated learning, modellerin çiğ veriler paylaşmadan önce eğitildiği, bu meydan okumaya yönelik bir çözüm.

Klinik Faydaları ve Şimdiki Performans

MM kemik görüntüleme için derin öğrenme modelleri kontrol edilen çalışmalarda olağanüstü doğruluk elde etti. Tipik performans ölçümleri, AUC değerlerinin% 0,0'ın üzerinde hassasiyet ve CT'deki osteoalitik lezyonlar tespit etmek için yaklaşık% 90'ın üzerinde spesifikite.In all-body MR, modeller, diffüz inflamasyonu tanımlamak için karşılaştırılabilir veya üstün performans gösterdi.

Kılavuz yorumu üzerinde anahtar avantajları şunlardır:

Ancak, gerçeklikle coşkulu bir coşkululuk için hayati önem taşıyor. Çoğu rapor edilen sonuçlar dikkatle incelenen verilerle retrospektif çalışmalarla ortaya çıkıyor. Aday, multi-center denemeleri hala az sayıda klinik iş akışı entegrasyonunda 2023 sistematik bir incelemedir.)[Dönetici:2see]

Klinik İş Akışları ile entegrasyon

Gerçek bir klinik ortamda derin bir öğrenme modeli çalışmak, iyi eğitimli bir sinir ağından çok daha fazlasını gerektirir: Workflow entegrasyonu şunları içerir:

Pilot dağıtımları, standart radyoloji ile paralel olarak test edilen bir AI aracının, aracın yanlış pozitifler olmadan raporlama süresini azalttığını gösteriyor.

Future Yol ve Araştırma Frontiers

Multimodal Deep Learning

Kemik görüntüleme tek başına MM hastalığı aktivitesinin tam resmini yakalamayabilir.Prognostic görüntü özelliklerini yapısal verilerle birleştirerek laboratuvar değerleri (örneğin, CNN ekstra görüntüleme özellikleri, creatin ve kalsiyum seviyelerini kabul eden bir mikroglobulin) ve genomik işaretleyicileri, yapısal olmayan olaylar için daha doğru bir risk puana yol açabilir.

Açıklanabilir ve Güvensel AI

Düzenleme organları ve klinikler giderek daha fazla şeffaflık talep ediyorlar. Kavrama dayalı açıklamalar veya ters açıklamalar gibi yöntemler - bir görüntünün teşhisi çevirmek için nasıl değişmesi gerektiğini gösteriyor - geliştiriliyor. Hedef sadece bir modelin neden yanlış olduğunu anlamak değil, aynı zamanda bir tik lesion ile karıştırıldığı gibi.

Ultra-Early Tespit ve Ekran

Birçok multi myeloma vakaları, yüksek periferik CT (HR-pQCT) veya konvansiyonel CT'nin doku analizinde bireyleri bu aşamada, kemik görüntüleme genellikle normal, ancak ince mikro-politika değişikliklerinin meme kanseri için eğitilmiş mor öğrenme modelleri olabilir.

Kaynakla Hazırlanmış Ayarlar

Yaygın kabul için önemli bir engel, büyük 3D CNN'lerin hesaplama maliyetidir - MobilNet tabanlı mimariler veya sinir mimarisi arama-optize edilen ağlar - sınırlı GPU kullanılabilirliği olan taşınabilir cihazlarda veya bulut tabanlı platformlarda çalıştırılabilir. Çiftliği teleradioloji ile birlikte, bu modeller uzman düzeyinde kemik lesion algılamasını sağlayabiliyor.

Meydanlar ve Etik Bakışlar

MM tanısı için derin öğrenme vaadi önemli olsa da, eğitim verilerinde temsil edilen bazı demografik gruplar üzerinde birçok engel kalıyor. Büyük bir notlu veri setleri için ihtiyaç var. Ayrıca, algoritmak önyargı - bir model eğitim verilerinin altında temsil edilmesi nedeniyle kötü performans gösterir - çeşitli veri toplama ve adalet denetimleri yoluyla ele alınması gereken ciddi bir endişe.

Ayrıca AI'da aşırılık riski vardır. AI'nın tüm belirsiz bulguları olumlu olarak yerine getiriyor olması için ikinci bir okuyucu veya triage aracının tanınabilmesi için bir model olabilir. Conversely, düşük hassasiyetle bir model gecikmeli.

Son olarak, klinikler sınırlamaları anlamalıdır: derin öğrenme modelleri genellikle sağlam kalıcı perturbasyonlara - tahminleri çevirebilecek bir görüntüye karşı basit, imkansız değişiklikler.Asversarial saldırıları rutin klinik uygulamada olası olmasa da, sağlam geçerlilik ihtiyacı işaret ederler.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme modelleri, klinik dağıtıma doğru bir şekilde çok fazla myeloma'yı klinik görüntülemeden teşhis etme konusunda olağanüstü potansiyel göstermiştir, hız, tutarlılık ve hassasiyetle geleneksel yöntemler. CNN mimarlıklarında ilerlemeler, eğitim teknikleri ve veri kullanılabilirliği bizi klinik dağıtım eşiğine getirdi. Ancak araştırmadan rutin bakım için yolculuk titiz bir şekilde doğrulayıcı, yasal onay, sorunsuz bir iş birliği gerektirir ve adillik ve şeffaflık taahhüdümüze bir şekilde.

Radyologlar, hematologlar, veri bilim adamları ve düzenleyici uzmanlar, birden çok myeloma tanısının dönüştürülmesinde AI'nın tam potansiyelini anlamak için kritik olacaktır. Alan olgun olarak, sadece tanısal doğruluk geliştirmeyi ve aynı zamanda bu zorlu hastalıkla ilgili hastaların daha iyi sonuçları da öngörebiliriz.