Những mô hình học tập sâu sắc phân tích ảnh y học

Việc học tập sâu, đặc biệt qua mạng thần kinh hình thành (CN) đã thay đổi cách giải thích hình ảnh y học. Những mô hình này học trực tiếp từ dữ liệu điểm ảnh, cho phép chúng phát hiện những thay đổi văn bản tinh tế và hình thái học có thể chỉ ra u bạch huyết. Một CNN thường bao gồm các lớp hình ảnh tương tác, hình dạng và hình mẫu; các lớp hồ bơi giảm độ xoay; và kết nối đầy đủ các lớp có thể tạo ra dự đoán cuối cùng. Việc đào tạo các mô hình lớn, có nhiều dữ liệu được đặt ra, thường từ nhiều tổ chức khác nhau để thu thập các loại máy quét, và bệnh nhân.

Việc học tập đã trở thành một kỹ thuật thông thường: một mô hình đã được đào tạo sẵn về ảnh tự nhiên (v. d., ImageNet) được tinh chỉnh trên các bộ dữ liệu hình ảnh y học. Phương pháp này giảm đáng kể lượng dữ liệu đã dán nhãn và tăng tốc. Đối với hình ảnh u bạch huyết, mô hình được điều chỉnh để làm việc với toàn bộ các bản quét tổng thể bằng ảnh chụp ảnh chụp/CT, nơi các khối u xuất hiện như các vùng có hoạt động trao đổi chất cao. Tính năng phát ra ngoài bởi các tính năng truyền thống CNN thường được phát ra ngoài, đặc biệt khi phân biệt giữa các hình ảnh tích tích tích tích tích tích tích tích tích tích và tiểu cầu.

Bộ sưu tập dữ liệu và chú giải trong thư mục Lymphoma

Chất lượng của một hệ thống học tập sâu phụ thuộc trực tiếp vào dữ liệu nó được đào tạo. Đối với việc phát hiện u bạch huyết, các phương pháp chính là 18FG PET/CT, ảnh chụp cắt lớp có độ tương phản, và MRI (bao gồm các chuỗi phóng xạ khác nhau). Mỗi phương pháp có tính năng khác nhau: hoạt động sinh học tô điểm tính chất sinh học, chụp cắt lớp cung cấp chi tiết, và MRI xuất sắc ở độ tương phản mềm. Một bộ dữ liệu toàn diện phải bao gồm hình ảnh từ các giai đoạn khác nhau, ở các giai đoạn điều trị khác nhau, và với các chẩn đoán thông tin ngoại cảm.

Chú giải được thực hiện bởi các nhà khoa học về tia X và các nhà sinh học về đường biên khối u (mặt nạ xác định khối u) và gán nhãn bệnh (v. d., Hodgkin u bạch huyết dạng lớn Bclecell). Khả năng liên tục biến đổi máy chủ là một thách thức được công nhận, rất nhiều dự án sử dụng khả năng thống nhất đọc hay kiểm soát chất lượng tự động. Kỹ thuật tăng cường dữ liệu (như quay ngẫu nhiên, tăng phóng đại, và thay đổi cường) giúp cải thiện tính chất lượng mạnh và giảm bớt dữ liệu như « Bệnh ung thư Im Archive » (CIA) cung cấp một số trường hợp riêng tư, nhưng phần lớn tùy thuộc vào các tổ chức có sự hạn chế độ riêng tư.

Phát hiện tự động: Tiến trình hiển thị màn hình

Một khi một mô hình học tập sâu được đào tạo, nó có thể được dùng để hiển thị các bản quét mới cho các tổn thương đáng ngờ. Đường ống phát hiện thường gồm ba bước: xử lý (mặc định hóa, đăng ký cho một không gian chuẩn), thế hệ ứng cử viên đầu tiên (dùng mạng đề xuất hay cửa sổ trượt) và phân loại của mỗi ứng cử viên như u ly hoặc ôn hòa. Quá trình này tương tự với hệ thống phát hiện đã được phát hiện (CAD) trên máy tính, nhưng với tỷ lệ độ nhạy cảm cao hơn và khả năng tích cực sai.

Phát hiện tự động có giá trị đặc biệt trong toàn bộ hình ảnh sinh vật học bằng kỹ thuật chụp cắt lớp nơi các nhà khoa học về tia X phải xem xét hàng trăm lát. Mô hình này có thể đánh dấu các dấu hiệu siêu sắc tố trên ảnh cắt lớp, rồi liên kết chúng với các cột mốc chụp cắt lớp. Các cuộc nghiên cứu cho biết các điểm tương đồng trên 90% để phát hiện sự liên quan giữa các tế bào bạch huyết và u ly tâm. Tuy nhiên, các dấu dương tính có thể xuất hiện từ việc lấy sinh lý học (g, màu nâu, viêm hay u nang). Đang tiến hành mục tiêu nghiên cứu để tinh chỉnh mô hình kiến trúc và kết hợp lâm sàng trước khi có (v. d. d. d., chứng giảm các cấp tính năng lượng tử cung cấp như vậy, giảm các lỗi như vậy.

Đoạn thẳng: Đang xác định vùng Lymphoma

Đoạn văn đi xa hơn việc phát hiện: nó vẽ chính xác phạm vi của mỗi tổn thương. Điều này rất quan trọng để đánh giá khối lượng, đánh giá phản ứng (v. d., Deauville điểm, Lugano phân loại), và kế hoạch phân loại sóng radio. Mô hình phân đoạn sâu, thường dựa trên U-G (v. d., Chú ý ở UNet, nnUNet), tạo ra mặt nạ điểm ảnh, theo chiều ngang của các khối u tách nhau.

Đào tạo mô hình phân đoạn cần thiết chú giải điểm ảnh, là thời gian cần thiết khả năng phát sinh. Chiến lược học tích cực cho phép mô hình để yêu cầu chú giải cho những trường hợp không chắc chắn nhất, giảm bớt gánh nặng chú giải. Một khi được đào tạo, mô hình phân đoạn có thể tính toán khối u tổng thể (TMTV), một dấu hiệu tiên tiến mạnh trong u bạch huyết. Phân đoạn tự động đạt được hệ số tương tự khoảng 0.85–90 trong các nghiên cứu khác nhau, tiếp cận với các kết quả tương tự của các phép phân tích.

Phân loại thành kiểu con

Các loại tiểu cầu khác nhau cần những mẫu phụ khác nhau và có những mẫu xử lý khác nhau. Mô hình học sâu có thể phân loại không chỉ phần tử ưa thích Hdgkin. nongkin u bạch huyết nhưng còn có những kiểu phụ như u bạch huyết Bc-quang dạng lớn, u ly tâm đồ và u lymphô trong lớp. Công việc phân loại thường là đòn bẩy cùng một cột sống được dùng để phát hiện, với một số mô hình kết hợp dữ liệu lâm sàng (v. d., Ann, B.

Một phương pháp là đào tạo một mạng lưới đa nhiệm đa năng cùng lúc để phát hiện, phân chia và phân loại. Điều này buộc mô hình này học cách chia sẻ các biểu tượng và cải thiện hiệu suất trên mỗi nhiệm vụ. Một hướng khác đầy hứa hẹn là việc sử dụng mạng lưới thần kinh đồ thị để mô phỏng các mối quan hệ không gian giữa các trạm bạch huyết, bắt chước cách một nhà phân loại vô tuyến tính đánh giá bệnh lây lan. Trong các nghiên cứu xuất bản xuất bản, việc học phân loại các mẫu tiểu cầu dựa trên các loại từ H2/CT đã đạt được phần dưới đường cong (AUC) rất nhiều giá trị, mặc dù hiệu suất được thay đổi theo dạng chữ hoa tiêu chuẩn và kích cỡ dữ liệu.

Vượt qua những thử thách về y tế

Mặc dù kỹ thuật đạt hiệu quả, việc triển khai các công cụ học tập sâu sắc trong thực hành lâm sàng thường xuyên phải đối mặt với nhiều chướng ngại trong thực hành. Mặc dù khả năng đa dạng ] vẫn còn là một vấn đề chính: mô hình được đào tạo trên dữ liệu trung tâm học thuật thường bị suy giảm khi áp dụng cho các máy quét cộng đồng. [FLTT: 0] đang được khám phá để xây dựng các mô hình tổng quát mà không có dữ liệu chung. [FLT: 1] [FT: khả năng mở rộng [FT:]]] là một vấn đề khác; các nhà nghiên cứu về phương pháp điều trị liệu thường cần thiết để hiểu tại sao mô hình một vùng. (bản đồ thị giác quan sát, phương pháp điều khiển, phương pháp điều khiển và phương pháp điều khiển] thường đòi hỏi một thuật toán học hợp lý.

Việc liên kết với các dòng công việc [FLT: 1] cũng không phải là không phải là một sự kết hợp. Các đầu ra của AI phải được kết hợp vào hệ thống PACS và trình bày cho các nhà phân tích thời gian theo cách mà làm tăng cường, thay vì phá vỡ quá trình đọc. Báo động mệt mỏi và tính năng tăng cường trên các đề nghị tự động là nguy cơ thật. Thử nghiệm lâm sàng không chỉ là thiết yếu để chứng minh tính chính xác về mặt kỹ thuật mà còn ảnh hưởng thực sự của thế giới ảo trên việc phân tích thời gian, sự liên hệ giữa các nhà nghiên cứu, và kết quả của bệnh nhân. Những thử như thế, bao gồm việc đọc tiểu thuyết khoa học giả định cho phép.

Một thách thức khác là sự mất cân bằng [FLT: 1]: một số kiểu tiểu cầu rất hiếm, làm cho nó khó thu thập đủ ví dụ đào tạo. Kỹ thuật hóa như một số ít học hình ảnh, dữ liệu tổng hợp (v., sử dụng mạng liên tiếp [FLT: 1], và quá trình xếp chính xác phải được cập nhật như giao thức điều trị tiến hóa. Chẳng hạn, để giải thích cho các phương pháp thay đổi hình ảnh. Việc giám sát và cải tạo định kỳ là cần thiết để duy trì hiệu suất.

Con đường phía trước: Tham nhũng và nghiên cứu

Nhìn về phía trước, một số xu hướng hứa hẹn cải thiện khả năng phát hiện và phân loại u bạch huyết tự động. [FLT: 0] Việc học [FLT: 1] có thể cải thiện khả năng nhận biết [FLT: 1] dữ liệu ảnh với các phương pháp y khoa, di truyền và thông tin về bệnh lý. Chẳng hạn, việc kết quả sinh thiết bằng sinh thiết lỏng (nh trọng ADN) có thể cải thiện cả hai cách phát hiện lẫn phỏng đoán.

[FLT: 0] AI [FLT: 1] giải thích được [FLT:] là một khu vực nghiên cứu hoạt động, với các phương pháp mới như khái niệm [FLT: cách giải thích dựa trên các lời giải thích và thế hệ đối chiếu giúp các bác sĩ tin tưởng và xác định kết quả của mô hình. Vì mô hình trở nên trong suốt hơn, việc chấp nhận điều chỉnh sẽ trở nên dễ dàng hơn. [FLT:] [FT:2], nơi mà các kết quả nhận diện [FLT: 2] có khả năng nhận ra [FLT: 3] khả năng nhận dạng [FL:] giảm sự phụ thuộc vào dữ liệu có nhãn của mô hình] dựa trên mô hình dán trên các mô hình lớn chưa dán, đặc biệt là trong bộ sưu tập ảnh không có giá trị y khoa học cao.

Một biên giới khác là phân tích dài [FLT: 1]. Thay vì phân tích một bản quét duy nhất, mô hình có thể so sánh ảnh được thu thập tại các điểm khác nhau để đánh giá phản ứng chữa trị hoặc phát hiện lại trước đó. Các mạng tiến hóa và cấu trúc lặp lại đang được thích nghi với mục đích này. Cuối cùng, sự kết hợp sâu với hệ thống sinh thiết robot có thể hiệu lực khả năng tự động nhắm vào, chảy thêm vào đường dẫn chẩn đoán.

Nghiên cứu cũng tập trung vào biến đổi chất lượng ảnh ). Nhiều mô hình học tập sâu cũng dễ bị ảnh hưởng để thoát khỏi các đầu vào [FLT]], ảnh với các hiện vật, tính giải phẫu bệnh nhân bất thường. Các kỹ thuật đánh giá [FLT: 1], như Monte Carlo, hoặc sâu hơn, có thể đánh giá độ tự tin thấp đối với dự đoán của con người. Điều này thêm vào một mạng an toàn cần thiết cho việc sử dụng thuốc.

Kết luận

Phát hiện và phân loại các u bạch huyết có thể định vị được các tổn thương đáng ngờ, phân chia các loại, và phân biệt giữa các loại học tập chính xác với các nhà ngoại vi học kinh nghiệm. các thử nghiệm có thể xác định được lợi ích sâu xa của việc học tập là chuẩn mực để chuẩn hóa dữ liệu, khả năng giải thích và sự tích hợp của các dữ liệu, và sự tích hợp được đưa ra thông qua các nỗ lực hợp tác giữa các nhà khoa học dữ liệu, bệnh nhân, bệnh nhân, và cơ thể có khả năng điều khiển và các phương pháp tự bảo vệ bản thân mình.

Để đọc thêm, xin xem sách mỏng « Tập đoàn nghiên cứu về y học Hê - bơ - rơ » (, khung của Bộ Ngoại giao Hoa Kỳ (), khung của Bộ Y khoa [FI/MLT] [T] NDA [FLT/ML: trang [FT: 3], và các bản ôn lại gần đây trong [FLT] [FLT] và [FL: 6] [ Y học tập sâu ngành khảo cứu] [NT] [T].