Зарегистрироваться

Авторизоваться

забытый пароль

Забыли пароль? Пожалуйста, введите свой адрес электронной почты. Вы получите ссылку и создать новый пароль по электронной почте.

Добавить запись

Вы должны войти в систему, чтобы добавить запись .

Авторизоваться

Зарегистрироваться

Добро пожаловать в Scholarsark.com! Ваша регистрация даст вам доступ к использованию больше возможностей этой платформы. Вы можете задавать вопросы, вносить свой вклад или дать ответы, просматривать профили других пользователей и многих других. Зарегистрироваться!

Автоматизированная система идентифицирует плотную ткань, является фактором риска развития рака молочной железы, в маммографии

Исследователи из MIT и больниц общего профиля Массачусетса разработали автоматизированную модель, которая оценивает плотную ткань молочной железы в маммографии - который является независимым фактором риска развития рака молочной железы - так же надежно, как эксперт радиологи.

Это первый раз, глубоко модель обучения в своем роде успешно использовалась в клинике на реальных пациентах, по мнению исследователей. С широкой реализации, Исследователи надеются, что модель может помочь обеспечить большую надежность для оценки плотности груди по всей стране.

Подсчитано, что более 40 процентов U.S. женщины имеют плотную ткань груди, которая только увеличивает риск развития рака молочной железы. более того, плотная ткань может замаскировать рак на маммографии, что делает скрининг более трудным. В следствии, 30 НАС. государства мандат, что женщины должны быть уведомлены, если их маммографию указывают, что они имеют плотные груди.

Но оценка плотности груди зависит от субъективной оценки человека. Из-за многих факторов, Результаты различаются - иногда резко - по радиологам. Исследователи из MIT и MGH обучена модель глубокого обучения на десятках тысяч высококачественной цифровой маммографии, чтобы научиться различать разные типы тканей молочной железы, от жирной до очень плотной, на основе экспертных оценок. Учитывая новую маммографию, модель может затем определить измерение плотности, которые тесно совпадет с мнением экспертов.

«Плотность груди является независимым фактором риска, который приводит, как мы общаемся с женщинами об их риске рака. Наша мотивация для создания точного и последовательного инструмента, которые могут совместно использоваться в различных системах здравоохранения,,»Говорит Адам Ял, Аспирант в лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и второй автор на бумаге, описывающее модель, которая была опубликована сегодня в радиология.

Другие соавторы первого автора Констанс Леман, профессор радиологии в Медицинской школе Гарварда и директор визуализации молочных желез в MGH; CSAIL Аспирант Tal Schuster; Кайл Свенсон '18, CSAIL исследователь и аспирант кафедры электротехники и вычислительной техники; и старший автор Regina Barzilay, Дельта Электроника Профессор CSAIL и Департамент электротехники и компьютерных наук в Массачусетском технологическом институте и член Коха Института интегративной исследований рака в MIT.

плотность Mapping

Модель построена на сверточную нейронную сеть (CNN), который также используется для задач компьютерного зрения. Исследователи обучены и проверили свою модель на наборе более чем 58,000 случайно выбранная маммограмму из более чем 39,000 женщины экранированы между 2009 а также 2011. Для тренировки, они использовали вокруг 41,000 маммография и, для тестирования, около 8,600 маммография.

Каждые маммографии в наборе данных имеют стандартную Грудную визуализацию системы отчетность и данные (BI-RADS) Оценка плотности груди в четырех категориях: жирный, разбросанный (рассеянный плотность), гетерогенный (в основном плотный), и плотный. В обоих учебных и тестирующих маммографии, около 40 проценты были оценены как гетерогенные и плотная.

В процессе обучения, модель дается случайная маммографией для анализа. Он учится на карту маммографии с рейтингами плотности специалист-рентгенолог. Плотные груди, например, содержит железистой и волокнистой соединительной ткани, которые появляются как компактные сети толстых белых линий и твердых белых пятен. сети жировой ткани появляются гораздо тоньше, с серой области в течение. В тестировании, модель отмечает новую маммографию и предсказывает категорию наиболее вероятной плотности.

оценки Matching

Эта модель была реализована в разделении изображения груди на MGH. В традиционном рабочем процессе, когда маммография берется, он послал на рабочую станцию ​​для рентгенолога для оценки. Модель исследователей установлена ​​в отдельном компьютере, который перехватывает сканы, прежде чем он достигнет рентгенолога, и присваивает каждому маммографию оценку плотности. Когда радиологи подтяните сканирование на рабочих станциях, они будут видеть присвоенный рейтинг модели, которые они затем принять или отклонить.

«Это занимает меньше секунды на изображение ... [и это может быть] легко и дешево масштабируются по всей больнице.»говорит Ял.

На более 10,000 маммография в MGH с января по май этого года, модель достигнута 94 проценты соглашение между радиологами больницы в двоичном тесте - определение, была ли грудь либо гетерогенной и плотной, или жирные и рассеянная. Во всех четырех BI-РАУ категории, она соответствует оценке радиологов в 90 процентов. «MGH является главным центром визуализации молочных желез с высокой степенью согласия между рентгенологом, и это высокое качество набор данные позволили нам разработать сильную модель,»Ялла говорит.

В общем тестировании с использованием оригинального набора данных, модель соответствует оригинальным интерпретациям экспертов человека в 77 проценты по четыре BI-РАУ категории и, в бинарных тестах, соответствует интерпретации в 87 процентов.

По сравнению с традиционными моделями прогнозирования, исследователи использовали показатель, называемый каппа оценка, где 1 указывает на то, что предсказания совпадают каждый раз, и все, что ниже, указывает меньше случаев соглашений. Каппа оценка для коммерчески доступных автоматических моделей плотности оценки оценки максимума около 0.6. В клиническом применении, модель исследователей набрал 0.85 каппа оценка и, в тестировании, забил 0.67. Это означает, что модель дает лучшие предсказания, чем традиционные модели.

В дополнительном эксперименте, исследователи протестировали согласие модели с консенсусом из пяти MGH радиологов из 500 случайный тест маммография. В радиологи присвоенной плотность груди к маммографии без знания первоначальной оценки, или их сверстники или оценки этой модели. В этом эксперименте, модель достигла каппа балл 0.78 с рентгенологом консенсуса.


Источник:

HTTP://news.mit.edu, Роб Мэтисон

Около мари

Оставьте ответ

Исключительно безопасный и Студент-ориентированный Платформа обучения 2021