Melanomu Tespit Etmeye Yardımcı Olabilecek Bir Yapay Zeka Aracı

Araştırmacılar, derin evrişimli sinir ağlarını kullanarak, kanseri daha verimli bir şekilde tespit etmek için hastaların cildinin geniş alan görüntülerini hızlı bir şekilde analiz eden bir sistem tasarladılar.

Araştırmacılar, geniş alanlı görüntüleri ve derin öğrenmeyi kullanarak, daha etkili ve verimli cilt kanseri tespiti için şüpheli pigmentli cilt lezyonları için bir analiz sistemi geliştirdiler. Araştırmacıların izniyle.

Melanom, dünya çapında tüm cilt kanserine bağlı ölümlerin yüzde 70’inden fazlasından sorumlu olan bir tür kötü huylu tümördür. Yıllar boyunca doktorlar, cilt kanserinin bir göstergesi olabilecek şüpheli pigmente lezyonları (SPL’ler) belirlemek için görsel incelemeye güveniyorlar. Birinci basamak sağlık kurumlarında SPL’lerin bu tür erken aşamada tanımlanması melanom prognozunu iyileştirebilir ve tedavi maliyetini önemli ölçüde azaltabilir.

Buradaki zorluk, SPL’leri hızlı bir şekilde bulmanın ve önceliklendirmenin, sıklıkla potansiyel biyopsiler için değerlendirilmesi gereken yüksek hacimli pigmente lezyonlar nedeniyle zor olmasıdır. Şimdi, MIT’den ve başka yerlerden araştırmacılar, derin evrişimli sinir ağlarını (DCNN’ler) kullanarak ve bunları çoğu akıllı telefonda ve kişisel kameralarda yaygın olan geniş alan fotoğrafçılığı kullanarak SPL’leri analiz etmeye uygulayan yeni bir yapay zeka boru hattı tasarladılar.

DCNN’ler, görüntüleri sınıflandırmak (veya “adlandırmak”) ve ardından kümelemek için (örneğin bir fotoğraf araması yaparken) kullanılabilen sinir ağlarıdır. Bu makine öğrenimi algoritmaları, derin öğrenmenin alt kümesine aittir.

Nasıl çalışır: Bir akıllı telefon kamerasıyla elde edilen geniş alan görüntüsü, birinci basamakta bir hastadan alınan büyük deri bölümlerini gösterir. Otomatik bir sistem, geniş alan görüntüsünde gözlemlenebilen tüm pigmentli cilt lezyonlarını tespit eder, çıkarır ve analiz eder. Önceden eğitilmiş bir derin evrişimli sinir ağı (DCNN), pigmentli lezyonların tek tek şüphelerini belirler ve işaretler (sarı = daha fazla inceleme, kırmızı = daha fazla inceleme veya dermatoloğa sevk gerektirir). Çıkarılan özellikler, pigmentli lezyonları daha fazla değerlendirmek ve sonuçları bir ısı haritası formatında görüntülemek için kullanılır. Araştırmacıların izniyle animasyon.

Doktora sonrası ve tıbbi cihaz uzmanı Luis R. Soenksen’e göre, hastaların vücutlarının geniş alanlarının geniş alanlı fotoğraflarını çekmek için kameralar kullanan program, erken evre melanomu hızlı ve etkili bir şekilde tanımlamak ve taramak için DCNN’leri kullanıyor. MIT’nin Yapay Zeka ve Sağlık Hizmetleri alanındaki ilk Girişim Oluşturucusu. Soenksen, araştırmayı MIT Tıp Mühendisliği ve Bilim Enstitüsü (IMES) öğretim üyeleri Martha J. Gray, W. Kieckhefer Sağlık Bilimleri ve Teknolojisi Profesörü, elektrik mühendisliği ve bilgisayar bilimi profesörü; ve James J. Collins, Termeer Tıp Mühendisliği ve Bilim ve Biyoloji Mühendisliği Profesörü.

Science Translational Medicine’de yayınlanan “Geniş Alan Görüntülerinden Şüpheli Pigmente Deri Lezyonlarının Dermatolog Düzeyinde Saptanmasında Derin Öğrenmenin Kullanılması” adlı makalenin ilk yazarı olan Soenksen, “SPL’lerin erken tespiti hayat kurtarabilir; ancak, tıbbi sistemlerin geniş ölçekte kapsamlı cilt taramaları sağlama kapasitesi halen eksiktir. “

Bu makale, daha fazla araştırma gerektiren cilt lezyonlarını, rutin birinci basamak bakım ziyaretleri sırasında veya hatta hastaların kendileri tarafından yapılabilecek taramaları daha hızlı ve verimli bir şekilde tanımlamak için DCNN’leri kullanan bir SPL analiz sisteminin geliştirilmesini açıklamaktadır. Sistem, geniş alanlı görüntülerde SPL’lerin tanımlanmasını ve sınıflandırılmasını optimize etmek için DCNN’leri kullandı.

Araştırmacılar, yapay zekayı kullanarak Madrid’deki Gregorio Marañón Hastanesi’ndeki 133 hastadan alınan 20.388 geniş alan görüntüsünü ve ayrıca halka açık görüntüleri kullanarak sistemi eğitti. Görüntüler, tüketicilere kolayca ulaşılabilen çeşitli sıradan kameralarla çekildi. Araştırmacılarla birlikte çalışan dermatologlar, karşılaştırma için görüntülerdeki lezyonları görsel olarak sınıflandırdılar. Sistemin, zahmetli ve zaman alan bireysel lezyon görüntüleme ihtiyacını ortadan kaldırarak, SPL’leri şüpheli olmayan lezyonlardan, deriden ve karmaşık arka planlardan ayırt etmede yüzde 90,3’ün üzerinde hassasiyet elde ettiğini buldular. Ek olarak, makale, saptanan lezyonlardan DCNN özelliklerine dayanarak hasta içi lezyon belirginliğini (çirkin ördek yavrusu kriterleri veya diğerlerinden sıyrılan bir bireyin cildindeki lezyonların karşılaştırılması) çıkarmak için yeni bir yöntem sunmaktadır.

Soenksen, “Araştırmamız, bu tür ortak işaretleri ölçen, bilgisayar görüşü ve derin sinir ağlarını kullanan sistemlerin, uzman dermatologlarla karşılaştırılabilir doğruluk elde edebileceğini gösteriyor” dedi. “Araştırmamızın, yeterli sevkleri sağlamak için birinci basamakta daha verimli dermatolojik taramalar yapma arzusunu canlandıracağını umuyoruz.”

Araştırmacılara göre, bunu yapmak SPLS’nin daha hızlı ve doğru değerlendirilmesine izin verecek ve melanomun daha erken tedavisine yol açabilir.

Makalenin kıdemli yazarı Gray, bu önemli projenin nasıl geliştiğini açıklıyor: “Bu çalışma, MIT Catalyst programındaki arkadaşlar (ortak yazarlardan beşi) tarafından geliştirilen yeni bir proje olarak ortaya çıktı. Bu çalışma, HST / IMES adanmışının (Katalizör geleneğinin kurulduğu) insan sağlığını ilerletmek için bilimden yararlanma vizyonunu örneklemektedir. ” Bu çalışma Abdul Latif Jameel Sağlıkta Makine Öğrenimi Kliniği ve Madrid-MIT M + Visión Konsorsiyumu aracılığıyla Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid tarafından desteklenmiştir.

Kaynak : MIT NEWS

Yorum Yaz

%d blogcu bunu beğendi: