Ultrasound Images'te Temporal Arteritis'in Diagnosing Temporal Arteritis'in doğruluğunu geliştirmek için Deep Learning kullanarak

Temporal artertis, aynı zamanda dev hücre arter (GCA), daha önce yaygın ve büyük arterleri etkileyen bir sistemsel vaskülittir, aort disksiyonu için ön değerlendirme ile, veya diğer iskemal komplikasyonlar. Doğru ve hızlı tanınabilir ve bazen de doğal olmayan bir öğrenme aracı olarak ortaya çıkmaktadır.

Temporal Arteritis: Klinik Bir Genel Bakış

Dev hücre arterleri, karotid arterlerinin en yaygın şeklidir ve aortak semptomlar 50 yaşın üzerindeki yetişkinlerde yeni başlangıç ağrısı, derisi ihalesi ve geçici veya kalıcı görme kaybı gibi görsel rahatsızlıklar içerir.

Patofiziksel bir tedavi, prodüktif olarak ortaya çıkan ve sonunda tıkanma nedeni, multiplojen hücrelere yönelik bir granüler yanıt içeriyor - bu nedenle adı. Prompticosteroidler ile tedavi edici süreci durdurabiliyor ve geri dönüşümlü iskemal hasarları önletir. Ancak, korticosteroid tedavisi kendi risklerini taşıyor (örneğin, osteoporoz, diyabet, enfeksiyon)

Tanı yolu ve Ultrasound rolü

Geleneksel tanı standardı zaman zaman zaman zamanlayıcı biyopsidir, bu da yüzeysel zaman arterinin bir segmentini kazır ve segmental katılımı nedeniyle vakaların% 10-40'ını inceler: Bu invazif, zaman alıcı, tedavi edici ve patolojik uzmanlık gerektirir.

Ultrasound ilk lineer, non-vazif olmayan bir alternatif olarak traksiyon kazandı. Yüksek çözünürlüklü renkli Doppler sonografi zaman arterlerini görselleştirebilir ve dokuları çevreleyen temel tanı özellikleri şunlardır:

Birkaç meta-analiz, GCA tanısı için 75-96 ve 80-% 100 aralığında, kullanılan ve operatör deneyimine bağlı olarak, ancak ultrason henüz evrensel olarak kabul edilmez, kısmen eğitim ve yorum açısından fark edilir.

Konvansiyonel Ultrasoundations of Conventional Ultrasound

Avantajlarına rağmen, zaman artertis tanısı iyi eğitimli zorluklarla karşı karşıya kalır:

Bu kısıtlamalar, radyologlara ve rheumatologlara ultrason görüntülerine yardımcı olmak için otomatik, objektif ve yenidenroducible yöntemin ihtiyacını işaret ediyor.Bu, derin öğrenmenin resmi girin.

Tıbbi Görüntülemede Yapay Zeka ve Derin Öğrenme

Derin öğrenme, makine öğreniminin alt kümesi, uzaysal desenleri, dokular ve kenarları yakalama yeteneği nedeniyle standart bir mimari haline geldi.Basssiyonel görüntülemede, konvolutional sinir ağları (CNNs) onları doğrudan ultrason görüntülerinde ince enflamatuar değişiklikler tespit etmek gibi karmaşık görevler için mükemmel bir şekilde güçlü hale getirdi.

Son on yılda, derin öğrenme çeşitli tıbbi görüntüleme alanlarında olağanüstü performans elde etti: Göğüs X-ray, meme kanseri için mammografi, diyabetik retinopati için fundus fotoğrafçılığı ve deri lezyonları için dermatospi analizi de ilerleme gördü, tiroid nodule sınıflandırmasında yardımcı olan modeller, travmatik ve fetal anomaly tespit.Bu uygulamaların başarısı büyük, iyi niyetli veri kümeleri için büyük, sağlam eğitim algoritmaları ve dikkat çekicilik için.

Zamanlı arter ultrason için, araştırmacılar CNN'leri normal ve inflamed zaman arterleri arasında ayrım yapmaya ve yarı işareti gibi belirli bulguları yerelleştirmeye başladılar: Tipik bir iş akışı içerir:

  1. [FONT:0)Data Acquisition:[Dönetici: [Dönetici:0) B-mode ve renkli Doppler ultrason görüntüleri, GCA'dan şüpheli GCA'dan hastaların klinik, laboratuvar ve biyometrik zemin gerçeği ile birlikte.
  2. [FONT:0)Öyleleme:[[Dönlendirme, normalleştirme, bazen bir destek (kömleme, ölçeklendirme, döndürme) veri kümelerini artırmak ve aşırı yüklemeyi azaltmak.
  3. [FONT=0]Segmentasyon veya sınıflandırma: CNNs, gemi duvarının (segmentation) otomatik olarak veya ikili bir etiket (normal vs. GCA) tüm resimler veya ilgi alanları için kullanılabilir.
  4. [FONT:0) Eğitim ve doğrulama:[Dönetici:[Dönetici: 0 ) Model, bir veri kümesinde, hiperparametreler, geçerli bir işlem kümesinde ayarlandı ve alıcı işletim eğriliği altında alan gibi ölçümler üzerinde değerlendirildi (AUC), hassasiyet, spesifiklik ve doğruluk.

Temporal Arteritis Tanık için Derin Öğrenme Modelleri

Sürekli arter ultrason için derin öğrenme uygulaması hala erken aşamalarında, ancak birkaç pilot çalışma ve kanıt-koncept modeli yayınlandı. Araştırmacılar, mevcut tıbbi veri setleri gibi tanınmış CNN mimarisine adapte oldu ve DenseNet, çoğu zaman büyük doğal görüntüdeki hastalıklar için ön eğitim verilen durumda.

Avrupa tertiary merkezinden bir çalışma, kontrollerden 3000 ultrason görüntüsü üzerinde eğitilmiş bir ResNet-50 modeli kullandı (üçüncü ultrason makinesi ile birlikte) performans AUC 0.84'ü bir iç test setinde,% 98'lik bir problemle, kontrollerden ayrıştıran bir GCA'nın duyarlılığı ile elde etti.

Başka bir grup, bir sınıflayıcı tarafından takip edilen bir kategorikasyon aşamasını otomatik olarak ölçecek bir CNN tabanlı sistem geliştirdi ve sınıflandırma uzman bir notasyona kıyasla 0.85'lik bir Dice benzerliği katladı ve sınıflandırma %90 doğrulukla ulaştı.

Bu erken sonuçlar teşvik edilir, ancak örnek boyutlarda mütevazi kalır ve modeller henüz gerçek dünya klinik iş akışlarında potansiyel olarak doğrulanmadı. Çoğu çalışma, seçim önyargısını tanıtabilir. Bununla birlikte, teşhis gecikmesini azaltmak ve standart yorumlamak için derin bir öğrenme aracının potansiyelini açıklığa kavuşturabilir.

Anahtar Çalışmaları ve Kanıtları

Mevcut kanıt tabanını göstermek için, hakemli radyoloji veya rheumatoloji dergilerinde yayınlanan iki temsilci çalışmayı vurguladık.

Çalışma 1: Temporal Arteritis'in Ultrasound'daki Sınıflandırılması – Çok Merkezi Adaylık Çalışması

Bu çalışma, zaman arterinin 3 deneyimli radyologları tarafından not edildi, referans olarak alınan klinik muayeneler, dört Avrupa merkezinden toplam 1,850 uzun süre boyunca (Dörtücü ve transistör B-mode) test setinde AUC'nin (n=370 görüntüleme) test setinde bir araya gelmesiyle ilgili olarak, ortalama %99'dan daha düşüktü.

2. Çalışma 2: Dev Hücre Arteritis'de Halo Sign'ın Otomatik Tespiti Bir Convolutional Neural Network

İngiltere'deki bir röatoloji bölümünden gelen araştırmacılar, özellikle yarı zamanlı algılama için yarı yarıya indirmeyi başarmışlardı.(Çevirli ve basitleştirilmiş gözlemler) bazı deneyimli gözlemcilerin tespit ettikleri durumlarda, modelin karar ısımaps (Grad-) tarafından vurgulanan verilerle ilgili olarak, yarı zamanlı olarak incelenen görüntülerin % 92'si ve kesinliği tespit edildi.

Bu çalışmalar, derin öğrenme modellerinin kontrol edilen ortamlarda insan performansını aşabileceğini gösteriyor. Ancak, aynı zamanda farklı popülasyonlarda genelleştirmenin, ultrason sistemleri ve operatör tekniklerinin bir engel olduğunu ortaya koyuyor. büyük, çok-institü, potansiyel olarak toplanan veri setleri sağlam, klinik olarak dağıtılabilir modeller oluşturmak için kritik.

Klinik Bütünleşme ve Değerlendirmeler

Araştırma laboratuvarlarından yataklı uygulamadaki derin öğrenme, önemli teknik, düzenleyici ve insan faktörlerini aşmayı içerir.

Future Yol Tarifi

Bu zorluklara rağmen, zaman arter teşhisinde derin öğrenmenin geleceği parlak. Birkaç heyecan verici gelişme ufukta:

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme, daha az deneyimli oğlumograflar için doğrulama ve tutarlılık için dönüştürücü potansiyele sahiptir ve erken çalışmalar, AUCs ile 0,0'ın üzerindeki ince enflamatuar değişikliklerin tespit edilmesi ile, CNN tabanlı modeller daha büyük, daha fazla teknik uygulama verileri, titiz potansiyelleme, öğrenme eğrisini daha kısa sürede mevcut iş akışları için sorunsuz bir şekilde bir şekilde uygular ve klinikler arasındaki potansiyele devam eder.