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
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.
