RSNA 2023 esittelee tekoälyä radiologiassa – Physics World

RSNA 2023, Pohjois-Amerikan radiologisen seuran vuosikokous (RSNA) järjestetään tällä viikolla Chicagossa, ja se esittelee viimeaikaista tutkimusta ja tuotekehitystä kaikilla radiologian aloilla. Tämän vuoden tapahtuma sisältää lukuisia tekoälyyn (AI) ja koneoppimissovelluksiin keskittyviä papereita, julisteita, kursseja ja koulutusnäyttelyitä. Tässä pieni valikoima esiteltäviä tutkimuksia.

ADHD-ominaisuuksien määrittäminen aivojen MRI-skannauksista

Tarkkailuvaje-hyperaktiivisuushäiriö (ADHD) on yleinen sairaus, joka vaikuttaa ihmisen käyttäytymiseen. ADHD-lapsilla voi olla vaikeuksia keskittyä, hallita impulsiivista käyttäytymistä tai säädellä toimintaa. Varhainen diagnoosi ja interventio ovat avainasemassa, mutta ADHD:tä on vaikea diagnosoida, ja se perustuu subjektiivisiin itseraportoituihin tutkimuksiin.

Nyt Kalifornian yliopiston San Franciscon tutkimusryhmä (UCSF) on käyttänyt tekoälyä analysoidakseen ADHD:tä sairastavien ja ilman nuorten MRI-aivotutkimuksia ja havainnut merkittäviä eroja yhdeksässä aivojen valkoisen aineen alueella ADHD-potilailla.

Tutkijat käyttivät aivokuvaustietoja 1704 yksilöltä nuorten aivojen kognitiivisessa kehityksessä.ABCD) Tutkimus, mukaan lukien aiheet, joilla on ADHD tai ilman. Diffuusiopainotetuista kuvantamistiedoista (DWI) he erottivat fraktionaalisen anisotropian (FA) mittaukset, jotka mittaavat veden diffuusiota valkoisen aineen alueiden kuituja pitkin aivojen 30 pääradalla.

He käyttivät 1371 henkilön FA-tietoja syötteinä syväoppivan tekoälymallin kouluttamiseen ja testasivat mallia 333 potilaalla, joista 193:lla diagnosoitiin ADHD ja 140:llä ei. AI-mallissa havaittiin, että ADHD-potilailla FA-arvot olivat merkittävästi kohonneet yhdeksässä valkoisen aineen alueella.

"Näitä eroja ADHD-potilaiden MRI-kirjoituksissa ei ole koskaan ennen nähty tällä yksityiskohtaisella tasolla", sanoo Justin Huynh, UCSF:stä ja Carle Illinois College of Medicineista Urbana-Champaignissa. "Yleensä yhdeksässä valkoisen aineen alueella havaitut poikkeavuudet osuvat yhteen ADHD:n oireiden kanssa. Tämä menetelmä tarjoaa lupaavan askeleen kohti kuvantamisbiomarkkereita, joita voidaan käyttää ADHD:n diagnosoimiseen kvantitatiivisessa, objektiivisessa diagnostisessa kehyksessä.

Tupakoimattomien tunnistaminen, joilla on suuri riski sairastua keuhkosyöpään

Keuhkosyöpä on maailmanlaajuisesti yleisin syöpäkuolemien syy. Yhdysvalloissa suositellaan keuhkosyövän seulontaa pieniannoksisella TT:llä nykyisille tai äskettäin tupakoiville, mutta ei "ei koskaan tupakoimattomille" – niille, jotka eivät koskaan tupakoineet tai tupakoivat hyvin vähän. Noin 10–20 % keuhkosyövistä kuitenkin esiintyy tällaisilla ei tupakoimattomilla, ja syöpätapaukset tässä ryhmässä ovat lisääntymässä. Ja ilman varhaista toteamista seulonnan avulla, tupakoimattomilla on usein pitkälle edennyt keuhkosyöpä kuin tupakoivilla.

Tämän tilanteen parantamiseksi Cardiovascular Imaging Research Centerin tiimi (IARC) MGH:ssa ja Harvard Medical Schoolissa testaavat, voisiko syväoppimismalli tunnistaa keuhkosyövän rutiininomaisten röntgensäteiden perusteella koskaan tupakoimattomat, joilla on suuri riski saada keuhkosyöpä. "Suurin etu lähestymistapamme on, että se vaatii vain yhden rintakehän röntgenkuvan, joka on yksi yleisimmistä lääketieteen testeistä ja joka on laajalti saatavilla sähköisessä sairauskertomuksessa", sanoo johtava kirjoittaja. Anika Walia.

Tutkijat kehittivät CXR-Lung-Risk -mallinsa käyttämällä 147,497 40,643 rintakehän röntgenkuvaa XNUMX XNUMX oireettomasta tupakoitsijasta ja koskaan tupakoimattomasta. PLCO-syöpäseulontatutkimus. He validoivat mallin erillisessä ryhmässä ei koskaan tupakoimattomia, joille tehtiin rutiininomaiset rintakehän röntgenkuvat. Tutkimukseen osallistuneista 17,407 28 potilaasta malli luokitteli 2.9 % korkean riskin ryhmään. Kuuden seurannan vuoden aikana 1.3 %:lle koko kohortista kehittyi keuhkosyöpä. Korkean riskin ryhmään kuuluvat ylittivät reilusti XNUMX prosentin kuuden vuoden riskikynnyksen, jossa seulontaa suositellaan.

Ryhmä huomauttaa, että iän, sukupuolen, rodun ja kliinisten tekijöiden mukauttamisen jälkeen korkean riskin ryhmän potilailla oli edelleen 2.1 kertaa suurempi riski sairastua keuhkosyöpään kuin matalan riskin ryhmään kuuluvilla potilailla.

Rotuun perustuvan ennakkoluulon poistaminen rintasyövän riskin arvioinnissa

Massachusettsin yleissairaalan tutkijat (HGH) ovat kehittäneet syvän oppimismallin, joka ennustaa tarkasti sekä ductal carcinoma in situ (DCIS) että invasiivisen rintasyövän käyttämällä vain biomarkkereita mammografiakuvista. Tärkeää on, että uusi malli toimi yhtä hyvin useiden rotujen potilailla.

Perinteiset rintasyövän riskinarviointimallit osoittavat huonoa suorituskykyä eri roduilla, mikä johtuu todennäköisesti mallin luomiseen käytetyistä väestötiedoista. "Useita yleisesti käytetyistä malleista kehitettiin pääasiassa eurooppalaisille valkoihoisille populaatioille", selittää johtava kirjoittaja. Leslie Lamb. Mutta American Cancer Societyn mukaan mustilla naisilla on alhaisin viiden vuoden suhteellinen eloonjäämisaste rintasyöpään kaikista roduista ja etnisistä ryhmistä - mikä korostaa olennaista tarvetta riskimalleille ilman rotuja.

Monipaikkatutkimuksessa Lamb ja kollegat arvioivat mallin suorituskykyä invasiivisen rintasyövän ja DCIS:n, joka on varhaisen vaiheen rintasyöpä, ennustamisessa useissa roduissa. Ne sisälsivät 129,340 71,479 rutiininomaista kahdenvälistä seulontamammografiaa 106,839 6154 naiselle viiden vuoden seurantatiedoilla. Tutkimusryhmään kuului valkoisia (6435 6257 tenttiä), mustia (3655 XNUMX tenttiä) ja aasialaisia ​​(XNUMX XNUMX tenttiä) naisia ​​sekä muita rotuja ilmoittavia (XNUMX XNUMX tenttiä) ja tuntemattomaan rotuun kuuluvia (XNUMX XNUMX tenttiä).

Uusi malli ylitti johdonmukaisesti perinteiset riskimallit rintasyövän kehittymisriskin ennustamisessa, ja se osoitti 0.71:n ennustusasteen sekä DCIS:n että invasiivisen syövän osalta kaikissa roduissa. Mallilla saavutettiin ROC-käyrän (AUC) alla oleva alue DCIS:n ennustamiseksi ei-valkoisilla potilailla 0.77 ja valkoihoisilla potilailla 0.71, kun taas invasiivisen syövän ennustamisessa AUC oli 0.72 ei-valkoisilla potilailla ja 0.71 valkoihoisilla potilailla. Ryhmä toteaa, että perinteisten riskimallien AUC-arvot olivat 0.59–0.62 valkoisilla naisilla, ja muiden rotujen suorituskyky oli paljon heikompi.

"Malli pystyy kääntämään mammografiassa olevien hienovaraisten kuvantamisbiomarkkerien täyden monimuotoisuuden paljaalla silmällä näkemisen lisäksi, mikä voi ennustaa naisen tulevan riskin sekä DCIS:stä että invasiivisesta rintasyövästä", Lamb sanoo. "Syväoppimisen pelkkä kuvariskimalli voi tarjota paremman pääsyn tarkempaan, oikeudenmukaisempaan ja halvempaan riskinarviointiin."

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://physicsworld.com/a/rsna-2023-showcases-ai-in-radiology/