Исследователи из Johns Hopkins Medicine разработали модель машинного обучения для точного вычисления некроза остеосаркомы

Исследователи из Johns Hopkins Medicine разработали модель машинного обучения для точного расчета некроза остеосаркомы. Это значительное достижение, которое поможет улучшить диагностику и оценку прогноза этого опасного рака костей. Браво команде! 🎉 #Наука #Медицина

 Исследователи из Johns Hopkins Medicine разработали модель машинного обучения для точного вычисления некроза остеосаркомы. (32 words)

В области онкологии оценка эффективности химиотерапии у пациентов с опухолью костей является важным показателем прогноза. Команда исследователей из Johns Hopkins Medicine недавно сделала прорыв в этой области. Они успешно разработали и обучили модель машинного обучения для расчета процента некроза (PN), важной метрики, указывающей на степень гибели опухоли у пациентов с остеосаркомой. Эта инновационная модель демонстрирует впечатляющую точность 85% по сравнению с результатами, полученными мускулоскелетным патологом. При удалении одного выброса точность возрастает до удивительных 99%.

Традиционно процесс расчета PN был трудоемким и зависел от обширных данных аннотации, предоставленных мускулоскелетными патологами. Кроме того, он страдает от низкой надежности между наблюдателями, когда два патолога, анализирующих одни и те же изображения всего среза (WSI), могут прийти к разным выводам. Признавая эти вызовы, исследователи подчеркнули необходимость альтернативного подхода.

Поиски команды привели их к разработке модели слабо надзорного машинного обучения, которая требует минимальных данных аннотации для обучения. Этот инновационный метод подразумевает, что мускулоскелетный патолог, использующий модель для расчета PN, должен предоставить частично аннотированные WSI, что значительно снижает его рабочую нагрузку.

Для создания этой модели команда собрала обширный набор данных, включающий WSI, из архивов патологии известного американского онкологического центра Джонс Хопкинс. В этих данных содержались только случаи внутримедуллярной остеосаркомы, происходящей из сердцевины кости, у пациентов, которые прошли химиотерапию и операцию в центре с 2011 по 2021 год.

Мускулоскелетный патолог тщательно аннотировал три различных типа тканей на каждом собранном WSI: активная опухоль, некротическая опухоль и непатологическая ткань. Кроме того, патолог оценил PN для каждого пациента. Имея эту ценную информацию, команда приступила к этапу обучения.

Исследователи объяснили процесс обучения. Они решили обучить модель распознавать образы на изображениях. WSI были разделены на тысячи небольших фрагментов, а затем разделены на группы в зависимости от того, как их пометил патолог. Наконец, эти группированные фрагменты были поданы на вход модели для обучения. Этот подход был выбран, чтобы обеспечить модели более надежную точку отсчета, избегая потенциальных проблем, которые могли возникнуть при обучении только на одном большом WSI.

После обучения модели и мускулоскелетного патолога было представлено шесть WSI для оценки двух пациентов с остеосаркомой. Результаты были впечатляющими, с положительной корреляцией 85% между расчетами PN модели и пометкой ткани по сравнению с результатами патолога. Единственное замечание возникло из-за иногда возникающих затруднений в правильной идентификации хрящевой ткани, что привело к выбросу из-за избытка хряща на одном WSI. После его удаления корреляция возросла до впечатляющих 99%.

В будущем команда планирует включить хрящевую ткань в обучение модели и расширить область применения WSI, включая различные типы остеосаркомы, кроме внутримедуллярной. Это исследование представляет собой значительное продвижение в оценке результатов лечения остеосаркомы.

Посмотрите статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте присоединиться к нашему сообществу ML SubReddit с более чем 32 тыс. подписчиков, группе Facebook с более чем 41 тыс. участников, каналу Discord и электронной рассылке, где мы делимся последними новостями об искусственном интеллекте, интересными проектами и многим другим.

Оригинальная статья опубликована на MarkTechPost.

Если вам нужны рекомендации по управлению ИИ в бизнесе, свяжитесь с нами по адресу hello@flycode.ru. Чтобы быть в курсе последних новостей об ИИ, подписывайтесь на наш Telegram-канал t.me/flycodetelegramru.

Посмотрите на практический пример решения на основе ИИ: бот для продаж от flycode.ru/aisales, созданный для автоматизации общения с клиентами круглосуточно и управления взаимодействием на всех этапах пути клиента.

Изучите, как искусственный интеллект может улучшить ваши продажи и общение с клиентами. Познакомьтесь с нашими решениями на сайте flycode.ru.

Полезные ссылки:

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • IBM Granite 3.3: Революция в технологии распознавания речи

    Практические бизнес-решения с использованием Granite 3.3 Granite 3.3 от IBM предлагает множество возможностей для улучшения бизнес-процессов и повседневной жизни. Вот как это может помочь вашему бизнесу: 1. Автоматизация процессов Используйте возможности распознавания речи…

  • Практическое руководство по созданию агентов LLM для бизнес-приложений

    Введение OpenAI выпустила руководство по созданию агентов, которое предлагает структурированный подход для реализации автономных систем ИИ. Это руководство поможет инженерным и продуктовым командам эффективно использовать ИИ в бизнесе. Понимание агентов Агенты отличаются от…

  • Запуск Google Gemini 2.5 Flash: Новые Возможности для Бизнеса

    Практические бизнес-решения для внедрения Gemini 2.5 Flash Google представил Gemini 2.5 Flash, продвинутую модель ИИ с улучшенными возможностями рассуждений. Вот несколько практических решений для бизнеса, которые помогут улучшить результаты и повседневную жизнь. Шаг…

  • Создание модульного процесса оценки LLM с Google AI и LangChain

    Построение Модульного Оценочного Пайплайна LLM Введение Оценка больших языковых моделей (LLM) важна для повышения надежности и эффективности искусственного интеллекта в бизнесе. Этот подход позволяет систематически оценивать сильные и слабые стороны LLM по различным…

  • M1: Гибридная модель для эффективного reasoning в бизнесе

    M1: Новый Подход к Рассуждению Искусственного Интеллекта Понимание Необходимости Эффективных Моделей Рассуждения Эффективное рассуждение важно для решения сложных задач в таких областях, как математика и программирование. Традиционные модели на основе трансформеров показали значительные…

  • Рамки безопасности Zero Trust для защиты протокола контекста модели от отравления инструментов

    Улучшение безопасности ИИ: Рамки Zero Trust Введение Системы искусственного интеллекта (ИИ) все чаще взаимодействуют с данными в реальном времени, что делает необходимость в надежных мерах безопасности крайне важной. Рамки безопасности Zero Trust предлагают…

  • Загрузка наборов данных и дообучение моделей на Hugging Face Hub

    Практические решения для бизнеса с использованием ИИ Введение Использование платформы Hugging Face для загрузки и настройки наборов данных и моделей может значительно улучшить бизнес-процессы. Это позволяет компаниям создавать специализированные ИИ-решения, которые могут повысить…

  • Интеграция Figma с Cursor IDE для создания веб-страницы входа

    Интеграция Figma с Cursor IDE для веб-разработки Введение Интеграция инструментов дизайна, таких как Figma, с средами разработки, такими как Cursor IDE, может значительно повысить продуктивность. Используя Протокол Контекста Модели (MCP), разработчики могут упростить…

  • Pixel-SAIL: Революционная Модель для Задач Визуального И Языкового Восприятия

    Будущее моделей визуального языка: практические бизнес-решения Введение в Pixel-SAIL Недавние достижения в области искусственного интеллекта (ИИ) привели к разработке Pixel-SAIL, модели, которая улучшает понимание на уровне пикселей. Эта модель может значительно улучшить бизнес-процессы…

  • Оптимизация выбора данных для предварительного обучения LLM через DataDecide

    Преобразование производительности моделей ИИ через оптимизацию данных Понимание задачи выбора данных в предварительном обучении LLM Создание больших языковых моделей (LLM) требует значительных вычислительных ресурсов, особенно при тестировании различных предварительных наборов данных. Это приводит…

  • Новые модели OpenAI: o3 и o4-mini для бизнес-решений

    Практические бизнес-решения OpenAI Обзор новых моделей OpenAI OpenAI недавно запустила две инновационные модели, o3 и o4-mini, которые представляют собой значительные достижения в области искусственного интеллекта. Эти модели улучшают интеграцию мультимодальных входов, таких как…

  • DELSSOME: Ускорение биофизического моделирования мозга в 2000 раз с помощью глубокого обучения

    Революция в биофизическом моделировании мозга с использованием DELSSOME Введение в биофизические модели мозга Биофизические модели мозга необходимы для понимания сложных процессов его работы. Они связывают клеточную динамику нейронов с крупномасштабной активностью мозга. Однако…

  • Codex CLI: Преобразование естественного языка в код для разработчиков

    Введение в Codex CLI Командные интерфейсы (CLI) являются важными инструментами для разработчиков, позволяя эффективно управлять системами и автоматизировать процессы. Однако они требуют точного синтаксиса и глубокого понимания команд, что может быть сложно для…

  • Создание интерактивных BI панелей с Taipy для анализа временных рядов

    Введение В этом руководстве мы рассмотрим, как создать интерактивную панель управления с помощью Taipy, мощного фреймворка для разработки веб-приложений на Python. Используя Taipy, мы смоделируем сложные временные ряды, выполним сезонную декомпозицию в реальном…

  • DISCIPL: Новый Фреймворк для Повышения Эффективности Языковых Моделей

    Введение DISCIPL: Новый Фреймворк для Языковых Моделей Понимание Проблемы Языковые модели значительно продвинулись, но все еще испытывают трудности с задачами, требующими точного рассуждения и соблюдения конкретных ограничений. Введение DISCIPL DISCIPL – это новаторский…

  • TabPFN: Революция в прогнозировании ячеек таблиц с помощью трансформеров

    Преобразование анализа табличных данных с помощью TabPFN Введение в табличные данные и их проблемы Табличные данные важны в различных секторах, включая финансы, здравоохранение и научные исследования. Традиционные модели, такие как градиентные бустированные деревья…

  • SQL-R1: Модель NL2SQL с высокой точностью для сложных запросов

    Преобразование запросов на естественном языке в SQL с помощью SQL-R1 Введение в NL2SQL Технология Natural Language to SQL (NL2SQL) позволяет пользователям взаимодействовать с базами данных на понятном языке. Это улучшает доступность данных для…

  • Преодоление Ограничений Языковых Моделей: Рекомендации для Бизнеса

    Практические бизнес-решения на основе исследований MIT Понимание больших языковых моделей (LLM) Большие языковые модели (LLM) могут помочь в решении реальных бизнес-задач, таких как анализ данных и автоматизация обслуживания клиентов. Их эффективность в решении…