Як глибокі моделі навчання Аналіз медичних зображень

Глибоке навчання, зокрема, через конволюційні нейромережі (CNNs), має фундаментально змінено спосіб медичні зображення. Ці моделі вивчають ієрархічні функції безпосередньо від даних пікселів, дозволяють їм виявити тонкі текстові та морфологічні зміни, які можуть вказувати лімфоми. CNN зазвичай складається з конвюктивних шарів, які витягують краї, форми та візерунки; шари басейнів, що зменшують розмірність; і повністю підключені шари, які роблять остаточні прогнози. Навчання таких моделей вимагає великих, добре об'єднаних даних, часто виводили з декількох установ, щоб захопити мінливість у типах сканера, протоколах, і демографічних пацієнтів.

Передача навчання стала стандартною технікою: модель, попередньо підготовлена на натуральних зображеннях (наприклад, ImageNet) є дрібно сформованою на медичних візуалізуючих даних. Цей підхід різко знижує кількість позначених даних, необхідних і прискорює конвергенцію. Для лімфоми візуалізації моделі адаптовані для роботи з цільно-вузьких ПЕТ/КТ сканування, де пухлини можуть з'явитися як регіони високої метаболічної активності. Радіоміки вилучення CNNs часто перетворюються традиційні функції ручної роботи, особливо при розрізі агресивних і недолентних лімфом підтипів.

Збір даних та анотація в лімфомі

Якість системи глибокого навчання залежить безпосередньо від даних, які він навчається. Для виявлення лімфоми первинні модалітети є 18F-FDG PET/CT, контрастно-розширених CT, і MRI (включаючи дифузійно-вагові послідовності). Кожна модальність захоплює різні біологічні властивості: ПЕТ висвітлює обмінну активність, КТ забезпечує анатомічну деталь, а MRI-ексель на м'яко-тканинному контрасті. Комплексний аналіз повинен включати зображення з різних сканерів, на різних стадіях терапії, а з підтвердженими гітопатологічними діагностиками.

Анотація здійснюється експертними радіологами та патологами, які делайнують межі пухлин (сегментаційні маски) та присвоєнням міток хвороби (наприклад, Ходгкін лімфома проти дифузії великої лімфоми B‐cell). Міжсерверна мінливість є визнаним викликом, тому багато проектів використовують консенсусові читання або автоматизований контроль якості. Методики знеболювання даних - наприклад, випадкові обертання, масштабування та інтенсивність зсувів - допомогло поліпшити рівень міцності та зменшити перенаряддя. Публічні дані, такі як Архів візуалізації раку (TCIA) забезпечують деякі випадки лімфоми, але більшість установ, спираючись на власні обмеження, пов'язані з конфіденційності.

Автоматизована детекція: Процес скринінгу

Після навчання глибокої моделі навчання можна використовувати для відображення нових сканування для підозрілих уражень. Дистанційний канал зазвичай передбачає три кроки: преобробка (нормалізація, реєстрація на стандартний простір), початкове покоління кандидата (на основі регіональної пропозиції мережі або розсувного вікна), а також класифікації кожного кандидата як лімфоми або доброякісних. Цей процес аналогично до системи комп'ютерно-ідейовані (CAD), але з більшою чутливістю і меншою помилково-позитивними показниками.

Автоматизоване виявлення особливо цінне в усьому-body, де радіологісти повинні переглядати сотні скибочок. Модель може зашифрувати гіперметаблічні фоси на ПЕТ сканування, потім корелювати їх анатомічними пам'ятками на КТ. Дослідження повідомляють про сенситивності вище 90% для виявлення носової та екстраодальної лімфи. Однак помилкові позитивні речовини можуть виникнути з фізіологічного збільшення (наприклад, коричневого жиру, запалення) або доброякісних уражень. Навчених досліджень спрямовано рефінувати модельну архітектуру і включити клінічні до (наприклад, вік пацієнта, рівні лактату дегідрогенази) для зменшення таких помилок.

Сегментація: делінування Lymphoma Регіонів

Сегментація йде на крок за винятком виявлення: він точно визначає ступінь кожного ураження. Це критично для оцінки об'єму, оцінки реагування (наприклад, Deauville, класифікації Lugano), та планування радіотерапії. Глибокі моделі сегментації, часто базуються на U‐Net або його варіантах (наприклад, Увага U‐Net, nnU‐Net), виробляють піксельно маски, які відокремлюють пухлину з фону.

Навчання моделі сегментації вимагає анотації рівня піксельного рівня, які трудомісткі для виробництва. Стратегія активного навчання дозволяють моделі запитувати анотацію для найбільш невизначених випадків, зменшуючи анотація тягару. Після закінчення навчання моделі сегментації можуть комп'ютерно-обумовити загальний обсяг пухлини метаболічної пухлини (TMTV), сильний прогностичний маркер в лімфомах. Автоматизований сегментація досягла коефіцієнтів схожості на пікі близько 0,85–0.90 в багатоцентрових дослідженнях, підходу до міжрадіологового договору.

Класифікація в підтипах

Різні лімфоми, що вимагають різних режимів лікування і мають величезні різні прогнози. Глибокі моделі навчання можуть класифікувати не тільки Hodgkin vs. non‐Hodgkin лімфома але і дрібних підтипів, таких як дифузійна велика лімфома B‐cell, фолікулярна лімфома і мантеллі лімфоми. Класифікація завдання часто важелі такі ж CNN, що використовуються для виявлення, з додатковою класифікацією голови. Деякі моделі включають клінічні дані (наприклад, стадії Ann Arbor, симптоми B) поряд з особливостями візуалізації для поліпшення точності.

Один підхід полягає в навчанні багатосторонньої мережі, яка одночасно виконує виявлення, сегментації та класифікації. Це змушує модель вчитися спільних представництвах і може підвищити продуктивність на кожному задачі. Ще одним перспективним напрямком є використання графових нейромереж для моделювання просторових зв'язків між станціями лімфовузлів, мимікінг, як радіолог оцінює поширення хвороби. У опублікованих дослідженнях глибока класифікація лімфомів від ПЕТ/КТ досягла площі під кривою (AUC) значень, що перевищує 0.90, хоча продуктивність змінюється підтипом і розміром даних.

Залучення клінічних викликів

Незважаючи на міцну технічну продуктивність, розгортання глибоких навчальних інструментів в рутальній клінічній практиці стикаються кілька черел. Гетерогенність даних залишається основним питанням: моделі, що навчаються на даних академічного центру, часто деградуються при нанесенні на стаціонарні сканери. Адаптація домену та федований навчання є дослідженням для побудови моделей, які в цілому використовують установи без спільного доступу до даних пацієнта. Інтерпретентабельність] - це ще одне ключове занепокоєння; клініки повинні зрозуміти, чому модель закріплюється певною область. Стійкість карти (наприклад, але Гредірентгенції, але надійні агенції, які завжди мають чіткі механізми, що забезпечують чіткі механізми, що мають чіткі механізми, що мають чіткі механізми, що мають чіткі механізми, що мають чіткі механізми, що мають важливе значення, що мають чіткі, що, що мають чіткі та механізми, що мають чіткі механізми, що мають чіткі, що мають значення, що мають чіткі, що мають значення, що мають значення, що мають бути зрозумілі,

Інтеграція з існуючими робочими процесами є також нетеруральним. Виходи AI повинні бути включені в системи PACS і представлені до радіологів таким чином, що посилює, а не порушує, їх процес читання. Втома і надмірність на автоматизованих пропозиціях є реальні ризики. Перспективні клінічні випробування є важливими для демонстрації не тільки технічної точності, але і реально-світовий вплив на діагностичний час, міжредагерний договір, і результати пацієнтів. Кілька таких випробувань проводяться, включаючи, що порівняння AI-перевірене читання для звичайного читання для лімфодування.

Наступний виклик class imbalance]: деякі субтипи лімфоми є рідкісними, що робить його важко збирати достатньо прикладів підготовки. Методики, такі як малотеротичне навчання, синтетичне покоління даних (наприклад, використання генеативних адверсійних мереж), а перенапруження може допомогти. Крім того, моделі повинні оновлюватися як протоколи лікування, які еволюціонують нові процедури, які змінюють зовнішній вигляд. Постійний моніторинг і періодичне перенапруження необхідні для підтримки продуктивності.

Нагорода Шляху: підвищення трендів та досліджень

Шукаю вперед, кілька трендів обіцяє поліпшити автоматизоване виявлення лімфоми та класифікації. Мультимодальне навчання] поєднує в собі дані з клінічними, геномними та гістопатологічною інформацією. Наприклад, інтеграція ПЕТ/КТ з рідкими біопсичними результатами (циркуляційна пухлина ДНК) може покращити як виявлення, так і прогноз. Ранній робота пропонує, що такі моделі з'являються унімодальні підходи при прогнозування відповіді на лікування.

Explainable AI] є активною дослідницькою зоною, з новими методами, такими як пояснення концепцій та контрфактивне покоління, що допомагає клінікам довірити та перевіряти моделі виходу. Як моделі стають більш прозорими, нормативне прийняття стане легше. Self‐supervised learning знижує залежність від позначених даних шляхом претренування моделей на великих нелаборованих колекціях зображень; це особливо привабливо в медичній візуалізації, де витрати анотації є високою. Самокеровані CNNs показали перспективні результати в задачах виявлення лімфоми.

Ще один передній довгий аналіз]. Замість аналізу єдиного сканування моделі можуть порівняти зображення, придбані в різних точках часу для оцінки реакції терапії або виявлення рецидивів раніше. Тимчасові зв'язки мереж і рецидивні архітектури пристосовані для цього. Нарешті, інтеграція глибокого навчання з робототехнічними біопсичними системами може дозволити автоматизоване стрибурування, подальше потокове діагностування діагностичного шляху.

Дослідження також зосереджено на , що полягає у зміні якості зображення. Багато глибоких моделей навчання вразливі до зовнішніх діаспорігійних вводів (наприклад, зображень з артефактами, незвичайною анатомією пацієнта). Незбережені методи оцінки, такі як Монте Карло краплі або глибокі ансамбли, можуть зазначувати низькі суперечності прогнози для людського огляду. Це додає безпечну мережу, яка є критичним для клінічного розгортання.

Висновок

Автоматизоване виявлення та класифікації лімфоми з використанням глибокого навчання перенесли з науково-дослідної curiosity до клінічно вихованих технологій. Конволюційні нейромережі, навчені на великих анотованих даних, можуть знаходити підозрілі ураження, відрізнити їх межі, і відрізняти серед підтипів з точністю, що конкурує досвідчені радіологи. Виклики, пов'язані з якістю даних, моделлювістю, і інтеграцією робочого процесу, які знаходяться в усьому світі, є більш послідовним результатом, що є послідовним дослідженням, що є більш послідовним, що є послідовним дослідженням, що є більш послідовним.

Для подальшого читання див. в Американському суспільстві гематологічних рекомендацій щодо візуалізації лімфи (] Журнал Блод), фреймворк для медичних пристроїв AI/ML‐на основі ( FDA AI/ML ]], а також останні відгуки Радіологія та Натура медицина на глибоке навчання для онкологічної візуалізації.