Makine Öğrenmesini Ct Data'da Pulmoner Nodules'i Karakterize Etmek ve Karakterize etmek

Giriş: Klinik Mücadele Sürüş AI Kabul

Lung kanseri dünya çapında kanserle ilgili ölümlerin öncü nedeni olarak kalır, yıllık olarak tahmin edilen 1.8 milyon ölümden sorumlu olur: Her thoracic çalışması rutin olarak 300 ila 500 ince eksenli görüntü oluşturabilir, Ulusal Lung Ekranlama denemesi (NLST), önemli bir süre baskı altında gözden geçirmek için muazzam bir veri hacmi oluşturur.

Bu çalışmaların yorumlanması, her taramanın (ML) önbellekli bir görsel arama gerektirir.Bu makale, erken aşama malgnancilerin tespiti ve karakterizasyonu ile ilgili olarak, lastiksiz ikinci bir okuyucu olarak hareket eder ve her taramanın (ML) uygun olmayan bir analizini sağlar.Bu makale, doğrudan bilgisayar kullanımına uygulanan derin bir öğrenme sağlar.Bu şişeleri otomatikleştirmek için gerekli olan ve tıbbi çözümleri otomatikleştirmek için gerekli olan stratejileri ve karakterizasyonu ile veri dağıtım stratejileri ve şifreleri otomatikleştirmek için gerekli olan verileri otomatikleştirin.

Teknik İş Akışı: Raw DICOM'dan Actionable Özelliklere

CT verileri için etkili bir ML hattı inşa etmek, sadece güçlü bir sinir ağı gerektirir. Güçlü bir preişleme katmanını, dikkatlice eğitim verilerini gerektirir ve ilgili klinik ölçüm görevlerinin açık bir anlayışını gerektirir.

Data Curation and Public Benchmarks

Model performansı doğrudan eğitim setinin kalitesine ve çeşitliliğine bağlıdır.TheETHFLT:0)Lung Image Database Consortium ve Image Database Resource Initiative (LIDC-IDRI)), bu veri kümesinin sadece 3mm'den fazla olması için standartlaştırılmış bir ölçümler içeren, dört deneyimli toplanlı radyologlar tarafından standartlaştırılmış bir şekilde yapılandırılır.

Görüntü İşleme ve Standartlaştırma

CT verileri voxel spacing ve yoğunluk değerlerinde önemli bir varyasyon sergiliyor. Standart bir preişman boru hattı, Hounsfield Birimlerine (HU) kıyasla, görüntülenen dokudaki lineer bir akciğer penceresini temsil eden standart bir standarttır - 600 HU'ün genişliği ile, hava, yumuşak doku ve kemik arasındaki farkı en üst düzeye çıkarır [-1350, 150]

Standart bir izotropic voxel büyüklüğüne (örneğin, 1mm x 1mm x 1mm) uygun olmayan hesaplamalar için gerekli ve modellerin farklı bir klinik siteden veri üzerinde başarısız olmasını sağlamak için modeller sağlar.

Makine Öğrenme Mimarileri Nodule Tespit için

Tespit görevi, adayın nodule yerlerini tanımlamak için tüm akciğer hacmini tarayı içerir. Bu, 3D tıbbi görüntüleme alanına adapte edilen klasik bir nesne algılama problemidir.

2D karşı 3D Convolutional Neural Networks

Erken yaklaşımlar 2D CNN'leri (örneğin, 2D ResNet veya DenseNet) dilimlemek için uygulanan bu yöntem, tam hacimsel verileri işleyen 3D CNN'lere güvenir.

3D ResNet, 3D DenseNet gibi mimarlıklar ve özellikle de nodule algılama ağlarından (örneğin 3Dg., NoduleNet) elde etmek için 3D konvolutional filtreler kullanır ve bu da bir sınıflandırma kafasına göre olmayan bölgelerin (örneğin, 2DDGer R-CNN) farklı şekillerden elde edilir.

Sınıf Imbalance Problemine İlişkin Adres

Tipik bir CT taramasında, voxels'in büyük çoğunluğu normal akciğer dokusu temsil eder. Olumlu nodule adaylar toplam hacmin eksi bir kısmını oluşturur. Dikkatli bir şekilde işlemeden, naif sınıflandırıcı her bölge için "normal" tahmin eder ve bu konuya tamamen başarısız olurken yüksek doğruluk elde eder:

Precise Morpholoji için Segmentasyon

Doğru segmentasyon, nodule yapısını atlatmak için önemlidir.TheETHFLT:0)U-Net mimarisi) ve 3D meslektaşı, V-Net, bu görev için gerçek bir standarttır. Bu maske, bağlantılarla modelleme-decoder-decoder yapısı, derin semantik özellikleri kullanırken modelin yüksek uzaysal detayları korumasını sağlar.

Gelişmiş Karakterizasyon ve Risk Prediction

Tespit, yer sağlar; karakterizasyon klinik bağlam sağlar. Modern ML sistemleri her tespit edilen nodule için olasılıksal risk değerlendirmesini sağlamak için basit boyutta ölçümlerin ötesine geçer.

Derin Öğrenme ile Radyomikleri Bütünleştirmek

Radyomikler, tıp görüntülerinden alınan sayısal özelliklerin yüksek oranda çıkarılmasına işaret eder. Geleneksel el sanatları radyomik özellikler (örneğin, form kompaktlık, doku homojenliği Gray-Level Co-occurrence Matrix (GLCM), yoğunluk histogramları) derin öğrenme modellerinden çıkarılan vektörlerle birleştirilebilir.Bir hibrit yaklaşım genellikle en sağlam sonuçları verir.

Longitudinal Analiz ve Büyüme İzleme

Stabil nodules tipik olarak iyi huyludur; büyüyen nodules şüphelidir. Bir hacim sabit zaman (VDT) takip eden CT taramalarının doğru kayıtlarını gerektirir. ML-based kayıt algoritmaları (örneğin, VoxelMorph) bir başka bir testin geometrisine göre, VDT hesaplamalarının doğrudan bir karşılaştırmasına izin verir.

Standartlaştırılmış Raporlama Sistemleri ile entegrasyon

Klinik iş akışlarına sorunsuz bir şekilde entegre edilmesi için, ML çıktıları, Lung-RADS gibi raporlama çerçevelerini kurmak için harita yapmalıdır.Bir model, verilen bir nodule veya tarama için Lung-RADS kategorisini doğrudan tahmin etmek için eğitilmiş olabilir. Bu köprüler sinir ağının ham olasılık çıkışı ve radyologların takip aralık aralıkları veya biyopsi ihtiyacı.

Klinik Deployment için Fazla Engeller

Bir gerçekleştirilen test setinde bir ML modelinin teknik performansı sadece ilk engeldir. Canlı klinik ortamda güvenilir, güvenilir bir sistem, önemli mühendislik ve operasyonel zorluklar ortaya koyar.

Genelleştirme ve Domain Shift

Belirli bir CT tarayıcı ile belirli bir kurumdan taramalar üzerinde eğitilmiş bir model, farklı bir üretici veya yeniden yapılandırma protokolüne uygulanan verilere uygulanabilir. Bu, alan değişikliği olarak bilinir. Teknikler: Bu şunları içerir:

Açıklanabilirlik ve Klinik Güven

Radyologlar, kritik tanı önerileri yapmak için siyah kutu algoritmasına güvenmeleri mümkün değildir.Rekreability teknikleri güven ve debugging model başarısızlıkları oluşturmak için gereklidir.

Her tespit edilen bir bulgu için açık bir görsel rasyonel vermek, radyologun modelinin mantığını onaylamasını ve yanlış pozitifleri hızlı bir şekilde reddetmesini ve gerçek olumlulara güvenmesini sağlar.

Düzenlemeler ve Altyapı

Bir klinik AI aracının işletmesi FDA 510 (k) tespiti gibi düzenleyici çerçeveleri geliştirmeli ve sürekli performans izleme ihtiyacı vardır.(0)FDA, bir Tıbbi Cihaz (SaMD)) olarak AI/ML tabanlı bir yazılım için bir çerçeve kurdu.[Dönetici yaşam döngüsüne odaklanır.

Bir altyapı açısından, tıbbi AI boru hatları mevcut Resim Archiving ve İletişim Sistemleri (PACS) DICOM standardı ile entegre edilmelidir. Model inference radyoloji akışını bozmak için yeterince hızlı olmalıdır. Ortak dağıtım modelleri şunları içerir:

Fiber AI için altyapıyı Scale

Tıbbi görüntüleme ML modellerinin yaşam döngüsünü yönetmek sağlam bir MLOps çerçevesi gerektirir. Modern radyoloji departmanının filosu dikkatli orkestralara ihtiyaç duyar.

Data Versioning and Deney Takip

Her tarama, annotasyon ve preprocessing adım sürüme yazılmalıdır. DVC (Data Version Control) gibi araçlar, eğitim için kullanılan tam veri setlerini anlık olarak indirmeye izin verir. Deney izleme platformları (örneğin, MLflow, Kilos & Biases) log hiperparametreler, model ağırlıklar ve değerlendirme ölçümleri (sensitivite, spesifiklik, alan).

Özelleştirilmiş Çerçeveleri Kaldırın

Genel amaçlı derin öğrenme çerçeveleri tıbbi görüntüleme için alan özel işlevsellik eksikliğine sahiptir.ETHFLT:0)MONAI (TL için tıbbi Open Network for AI)), PisaTorch üzerinde inşa edilmiş, bu tür çerçeveleri tıbbi görüntü işleme öncesi, augmentasyon, ağ mimarisi ile ilişkili olarak önemli ölçüde hızlandırmaktadır.

Future Yolları Otomatik Lung Kanser Ekranlama

Alan, kapsamlı, multi-organ taraması ve multimodal risk tahminine doğru yalnız tespitin ötesine hızla ilerliyor.

Olayları Yönetimi

Bir thoracic CT tarama, akciğerlerin ötesinde zengin tanısal bilgiler içermektedir. ML modelleri, koroner arter kalsiyum, aortik aneurysms, omurgalı kompresyon kırıkları ve karaciğer ve böbreklerdeki şüpheli bulgular, tüm potansiyel anormallikler, rapor tahmin sürecinde göz ardı edilmemektedir.

Multimodal Risk Modelleme (Radyoomics)

Klinik risk faktörleri (ya da sigara tarihi, aile tarihi) ve genetik biyomarkers sıvı biyopsi veya doku örneklerinden gelen potansiyel, yüksek kişiselleştirilmiş risk tabakalaştırması için potansiyel sunar. Derin öğrenme modelleri, bu heterojen veri kaynaklarını sadece nodule kanseri olup olmadığını tahmin etmek için entegre edebilir, ancak spesifik histologic alttip, mutasyon statüsü ve muhtemelen hedeflemek için bir tedavi aracından ML ilerleyebilir.

Sonuç: Filoyu Operasyonelleştirmek

Makine öğreniminin pulmoner nodule analizine uygulanması, bugün akademik bir araştırma probleminden klinik olarak uygulanabilir bir araç haline geldi.Şimdi rakip veya canlı sağlık ortamındaki bu sistemlerin hassaslığını artırmak için gerekli olan modellerin filosunu inşa etmek için gerekli olan klinik bilgileri ve sürekli olarak entegre etmek için iyi bir model olarak, ancak en yüksek maliyetli şekilde entegre etmek için gerekli olan klinik kararları doğrulayarak, depolamak için gerekli olan modelleri oluşturmak.