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

  • Создание индивидуального клиента MCP с использованием Gemini

    Создание клиентского приложения Model Context Protocol (MCP) с использованием Gemini Практические бизнес-решения Создание клиентского приложения MCP с использованием Gemini позволяет интегрировать искусственный интеллект в бизнес-процессы. Это улучшает взаимодействие с клиентами, оптимизирует рабочие процессы…

  • Улучшение многомодального обучения: рамки UniME

    Введение в многомодальное представление данных Многомодальное представление данных – это новая область в искусственном интеллекте, которая объединяет различные типы данных, такие как текст и изображения, для создания более полных и точных моделей. Один…

  • Модель THINKPRM: Преобразование бизнеса с помощью ИИ

    Преобразование бизнеса с помощью ИИ: Модель THINKPRM Введение в THINKPRM Модель THINKPRM (Generative Process Reward Model) представляет собой значительное достижение в верификации процессов рассуждения с использованием искусственного интеллекта. Эта модель повышает эффективность и…

  • Улучшение бизнеса с помощью разговорного ИИ

    “`html Улучшение бизнеса с помощью разговорного ИИ Введение в вызов функций в разговорном ИИ Вызов функций — это мощная возможность, которая позволяет большим языковым моделям (LLM) связывать естественные языковые запросы с реальными приложениями,…

  • VERSA: Инновационный инструмент для оценки аудиосигналов

    Введение в VERSA: Современный инструмент для оценки аудио Команда WAVLab представила VERSA, инновационный и комплексный набор инструментов для оценки речи, аудио и музыкальных сигналов. С развитием искусственного интеллекта, который генерирует аудио, необходимость в…

  • Alibaba Qwen3: Новое Поколение Языковых Моделей

    Введение в Qwen3: Новая эра в больших языковых моделях Команда Alibaba Qwen недавно представила Qwen3, последнее достижение в серии больших языковых моделей (LLMs). Qwen3 предлагает новый набор моделей, оптимизированных для различных приложений, включая…

  • ViSMaP: Инновационное решение для автоматизации суммирования длинных видео

    Преобразование видео: ViSMaP ViSMaP представляет собой инновационный подход к обобщению длинных видео без необходимости в дорогих аннотациях. Это решение может значительно улучшить бизнес и повседневную жизнь, а именно: Преимущества ViSMaP Сокращение временных затрат…

  • Эффективное управление контекстом для больших языковых моделей

    Модель Контекстного Протокола: Улучшение Взаимодействия с ИИ Введение Эффективное управление контекстом является ключевым при использовании больших языковых моделей (LLMs). Этот документ предлагает практическую реализацию Модели Контекстного Протокола (MCP), сосредоточенную на семантическом делении, динамическом…

  • Запуск DeepWiki: ИИ-инструмент для понимания репозиториев GitHub

    Введение в DeepWiki Devin AI представил DeepWiki — бесплатный инструмент, который генерирует структурированную документацию для репозиториев GitHub. Этот инновационный инструмент упрощает понимание сложных кодовых баз, что облегчает жизнь разработчикам, работающим с незнакомыми проектами.…

  • Эффективные модели Tina для улучшения обучения с подкреплением

    Введение Современные бизнесы сталкиваются с вызовами в области многослойного рассуждения, особенно в научных исследованиях и стратегическом планировании. Традиционные методы, такие как узконаправленное обучение, требуют значительных затрат и могут приводить к поверхностному обучению. Однако…

  • FlowReasoner: Персонализированный Мета-Агент для Многоагентных Систем

    Введение в FlowReasoner Недавние достижения в области искусственного интеллекта привели к разработке FlowReasoner, мета-агента, который автоматизирует создание персонализированных многопользовательских систем, адаптированных к запросам пользователей. Это значительно повышает эффективность и масштабируемость. Проблемы в текущих…

  • Руководство Microsoft по режимам отказа в агентных системах ИИ

    Введение Понимание и управление рисками в системах агентного ИИ могут значительно улучшить бизнес-процессы и повысить доверие клиентов. Ниже представлены практические решения, которые помогут в этом. Практические бизнес-решения Создание надежных систем агентного ИИ требует…

  • Автономные пайплайны анализа данных с PraisonAI

    Создание полностью автономных потоков анализа данных с PraisonAI Введение В этом руководстве описывается, как бизнес может улучшить процессы анализа данных, перейдя от ручного кодирования к полностью автономным потокам данных, управляемым ИИ. Используя платформу…

  • QuaDMix: Инновационная Оптимизация Качества и Разнообразия Данных в AI

    Практические бизнес-решения с использованием QuaDMix Имплементация QuaDMix может существенно улучшить AI-приложения благодаря следующим ключевым аспектам: 1. Упрощение кураторства данных Используйте QuaDMix для поддержания высокого качества данных без жертвы разнообразием, что приведет к более…

  • Оптимизация методов масштабирования для повышения эффективности reasoning в языковых моделях

    “`html Оптимизация Производительности Размышлений в Языковых Моделях: Практические Бизнес-Решения Понимание Методов Масштабирования во Время Вывода Языковые модели могут выполнять множество задач, но часто сталкиваются с трудностями при сложном размышлении. Методы масштабирования вычислений во…

  • Интеграция API Gemini с агентами LangGraph для оптимизации рабочих процессов ИИ

    Улучшение рабочих процессов с помощью интеграции Arcade и Gemini API Этот документ описывает, как преобразовать статические разговорные интерфейсы в динамичных, действующих ИИ-ассистентов с использованием Arcade и Gemini Developer API. Используя набор готовых инструментов,…

  • СоциоВерс: Революционная Модель Социальной Симуляции на Основе LLM

    Использование ИИ для Социальной Симуляции: Инициатива SocioVerse Введение в SocioVerse Исследователи из Университета Фудань разработали SocioVerse, инновационную модель мира, использующую агентов на основе больших языковых моделей (LLM) для симуляции социальных динамик. Эта модель…

  • Токен-Шаффл: Революция в генерации высококачественных изображений с помощью трансформеров

    Введение в Token-Shuffle Meta AI представила инновационный метод, известный как Token-Shuffle, который повышает эффективность генерации изображений в авторегрессионных (AR) моделях. Этот подход решает вычислительные задачи, связанные с созданием изображений высокого разрешения, что может…