Az RSNA 2023 bemutatja az MI-t a radiológiában – a fizika világában

RSNA 2023, az Észak-Amerikai Radiológiai Társaság éves találkozója (RSNA) ezen a héten kerül sor Chicagóban, amely bemutatja a legújabb kutatási eredményeket és termékfejlesztéseket a radiológia minden területén. Az idei esemény számos papírt, posztert, tanfolyamot és oktatási kiállítást tartalmaz a mesterséges intelligenciára (AI) és a gépi tanulási alkalmazásokra összpontosítva. Íme egy kis válogatás a bemutatott tanulmányokból.

Az ADHD-jellemzők megállapítása agyi MRI-vizsgálatokból

A figyelemhiányos hiperaktivitási rendellenesség (ADHD) egy gyakori állapot, amely befolyásolja az egyén viselkedését. Az ADHD-s gyermekeknek nehézségei lehetnek a koncentrálásban, az impulzív viselkedés szabályozásában vagy a tevékenység szabályozásában. A korai diagnózis és a beavatkozás kulcsfontosságú, de az ADHD-t nehéz diagnosztizálni, és szubjektív önbevallásos felmérésekre támaszkodik.

Most a San Francisco-i Kaliforniai Egyetem kutatócsoportja (UCSF) mesterséges intelligencia segítségével elemezte az ADHD-s és nem szenvedő serdülők agyának MRI-vizsgálatát, és jelentős különbségeket talált az ADHD-s egyének agyának kilenc fehérállományi szakaszában.

A kutatók 1704 személy agyi képalkotó adatait alkalmazták a serdülőkori agy kognitív fejlődésében.ABCD) Tanulmányozás, beleértve az ADHD-s és anélküli alanyokat is. A diffúziós súlyozott képalkotó (DWI) adatokból frakcionált anizotrópia (FA) méréseket vontak ki, amely a víz diffúziójának mértéke a fehérállományi traktusok rostjai mentén, az agy 30 fő szakasza mentén.

1371 személy FA-adatait használták bemenetként egy mély tanulási mesterséges intelligencia modell kiképzéséhez, és 333 betegen tesztelték a modellt, köztük 193 betegen, akiknél ADHD-t diagnosztizáltak, 140-en pedig nem. Az AI-modell azt találta, hogy az ADHD-s betegeknél az FA-értékek szignifikánsan megemelkedtek kilenc fehérállományi traktusban.

„Ezek a különbségek az ADHD-s egyének MRI-jeiben ilyen részletességgel még soha nem voltak láthatók” – mondja Justin Huynh, az UCSF-től és az Urbana-Champaign-i Carle Illinois Orvostudományi Főiskolától. „Általában elmondható, hogy a kilenc fehérállományi traktusban látható rendellenességek egybeesnek az ADHD tüneteivel. Ez a módszer ígéretes lépést jelent a képalkotó biomarkerek megtalálása felé, amelyek felhasználhatók az ADHD diagnosztizálására kvantitatív, objektív diagnosztikai keretben.

A tüdőrák kialakulásának magas kockázatának kitett nemdohányzók azonosítása

A tüdőrák a rákos halálozás leggyakoribb oka világszerte. Az Egyesült Államokban az alacsony dózisú CT-vel végzett tüdőrákszűrés javasolt a jelenlegi vagy nemrégiben dohányzóknak, de nem a „soha nem dohányzóknak” – akik soha nem vagy csak nagyon keveset dohányoztak. A tüdőrákos megbetegedések körülbelül 10-20%-a azonban soha nem dohányzóknál fordul elő, és a rákos megbetegedések száma ebben a csoportban növekszik. A szűréssel történő korai felismerés nélkül a soha nem dohányzók gyakran előrehaladottabb tüdőrákban szenvednek, mint azok, akik dohányoznak.

A helyzet javítása érdekében a Cardiovascular Imaging Research Center csapata (IARC) az MGH és a Harvard Medical School azt vizsgálja, hogy egy mély tanulási modell képes-e azonosítani a soha nem dohányzókat, akiknél magas a tüdőrák kockázata a rutin mellkasröntgen alapján. „Megközelítésünk egyik fő előnye, hogy csak egyetlen mellkasröntgen felvételt igényel, ami az egyik leggyakoribb teszt az orvostudományban, és széles körben elérhető az elektronikus kórlapokban” – mondja a vezető szerző. Anika Walia.

A kutatók CXR-tüdőkockázati modelljüket 147,497 40,643 tünetmentes dohányzó és soha nem dohányzó XNUMX XNUMX mellkasröntgen felvételével dolgozták ki. PLCO rákszűrési vizsgálat. A modellt a soha nem dohányzók külön csoportjában validálták, akiknek rutin mellkasröntgenfelvétele volt. A vizsgálatban részt vevő 17,407 28 beteg közül a modell 2.9%-át minősítette magas kockázatúnak. Hat éves követés alatt a teljes kohorsz 1.3%-ánál alakult ki tüdőrák. A magas kockázatú csoportba tartozók messze túllépték azt az XNUMX%-os hatéves kockázati küszöböt, amelynél a szűrés javasolt.

A kutatócsoport megjegyzi, hogy az életkor, a nem, a rassz és a klinikai tényezők figyelembevétele után a magas kockázatú csoportba tartozó betegeknél még mindig 2.1-szer nagyobb volt a tüdőrák kialakulásának kockázata, mint az alacsony kockázatú csoportba sorolt ​​betegeknél.

A faji elfogultság megszüntetése az emlőrák kockázatértékelésében

A Massachusettsi Általános Kórház kutatóiMGH) olyan mély tanulási modellt fejlesztettek ki, amely pontosan előrejelzi mind a ductalis carcinoma in situ (DCIS), mind az invazív emlőkarcinómát, kizárólag a mammográfiás képek biomarkereivel. Fontos, hogy az új modell ugyanolyan jól működött több rasszú betegeknél is.

A hagyományos emlőrák kockázatértékelési modellek gyenge teljesítményt mutatnak a különböző rasszokban, valószínűleg a modell létrehozásához használt populációs adatok miatt. „Az általánosan használt modellek közül néhányat túlnyomórészt európai kaukázusi populációkra fejlesztettek ki” – magyarázza a vezető szerző. Leslie Lamb. Az American Cancer Society szerint azonban a fekete nőknél a legalacsonyabb az 5 éves relatív túlélési arány az emlőrákban az összes faji és etnikai csoport közül, ami rávilágít a faji elfogultság nélküli kockázati modellek alapvető szükségességére.

Egy több helyszínen végzett vizsgálatban Lamb és munkatársai értékelték a modell teljesítményét az invazív emlőrák és a DCIS, azaz a korai stádiumú emlőrák előrejelzésében több rasszban. Ezek 129,340 71,479 rutin kétoldali mammográfiás szűrővizsgálatot tartalmaztak, amelyet 106,839 6154 nőnél végeztek, ötéves követési adatokkal. A vizsgálati csoportban fehér (6435 6257 vizsga), fekete (3655 vizsga) és ázsiai (XNUMX vizsga) nők, valamint önmagukat más fajként bevallók (XNUMX vizsga) és ismeretlen származásúak (XNUMX vizsga) vettek részt.

RSNA 2020: A mesterséges intelligencia kiemelései egy teljesen virtuális éves találkozóról

Az új modell következetesen felülmúlta a hagyományos kockázati modelleket az emlőrák kialakulásának kockázatának előrejelzésében, és 0.71-es prediktív arányt mutatott mind a DCIS, mind az invazív rák esetében az összes rasszban. A modell a ROC görbe alatti területet (AUC) érte el a DCIS előrejelzéséhez nem fehér betegekben 0.77 és fehér betegekben 0.71, míg az invazív rák előrejelzéséhez az AUC 0.72 volt a nem fehér betegeknél és 0.71 a fehér betegeknél. A csapat megjegyzi, hogy a hagyományos kockázati modellek AUC-értéke 0.59–0.62 volt a fehér nők esetében, míg a többi rasszhoz tartozóké sokkal alacsonyabb teljesítményt mutatott.

„A modell képes lefordítani a mammográfiás képalkotó biomarkerek teljes sokféleségét, túl azon, amit szabad szemmel láthatunk, és ez előre jelezheti a DCIS és az invazív emlőrák kockázatát a nőknél” – mondja Lamb. "A mély tanulási, csak képre épülő kockázati modell nagyobb hozzáférést biztosít a pontosabb, igazságosabb és olcsóbb kockázatértékeléshez."

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/rsna-2023-showcases-ai-in-radiology/