Model głębokiego uczenia się może pomóc w przewidywaniu ryzyka raka

Rak piersi jest najczęstszym rodzajem raka wśród ludzi na całym świecie. Według danych WHO w 2020 roku u 2,3 ​​mln kobiet zdiagnozowano raka piersi. W Indiach co cztery minuty kobieta otrzymuje diagnozę raka piersi, o czym informuje Czasy Hindustanu w lutym 2023 r.

Chociaż nie jest to ściśle zapobiegawcze, organizacje medyczne zalecają regularne badania kontrolne w celu wczesnego wykrycia. Opracowano nowy model głębokiego uczenia się do szacowania gęstości piersi, który pomaga przewidywać ryzyko raka. Gęstość piersi jest definiowana jako procent włóknistej tkanki gruczołowej w piersi i jest często używana do oceny ryzyka raka.

Zdaniem zespołu badawczego kierowanego przez profesor Susan M. Astley z University of Manchester w Wielkiej Brytanii, automatyczna ekstrakcja cech z danych treningowych, możliwa dzięki podejściu opartemu na głębokim uczeniu się, sprawia, że ​​jest to atrakcyjne narzędzie do szacowania gęstości piersi. Wyniki publikowane są w Journal of Medical Imaging .

Przeczytaj także: Czy możesz polegać na ChatGPT w zakresie informacji o raku?

Ogólnie rzecz biorąc, szkolenie modeli głębokiego uczenia się do analizy obrazów medycznych jest trudne ze względu na ograniczone zbiory danych. Jednak w tym badaniu naukowcy wykorzystali dwa niezależne modele głębokiego uczenia się, które początkowo były trenowane w ImageNet, niemedycznym zbiorze danych obrazowania zawierającym ponad milion obrazów. Według SPIE, Międzynarodowego Towarzystwa Optometrii i Fotoniki, podejście to, znane jako „uczenie się transferu”, pozwoliło im na bardziej efektywne trenowanie modeli przy mniejszej liczbie danych obrazowania medycznego.

Eksperci, w tym radiolodzy, praktycy zaawansowanego obrazowania radiologicznego i mammolodzy, przypisali wartości intensywności 160 000 pełnych cyfrowych mammogramów 39 357 kobiet w wizualnej skali analogowej. Naukowcy opracowali procedurę szacowania wyniku gęstości dla każdego obrazu mammograficznego, aby wziąć mammogram jako dane wejściowe i podać wynik gęstości jako wynik.

Procedura obejmowała wstępne przetwarzanie obrazów, aby proces szkolenia był mniej intensywny obliczeniowo, wyodrębnianie cech z przetworzonych obrazów za pomocą modeli głębokiego uczenia się, przypisywanie cech do zestawu wyników intensywności i łączenie wyników za pomocą podejść grupowych w celu uzyskania ostatecznej intensywności oszacować wg zaczarować.

Zespół wykonał bardzo dokładne modele, aby oszacować gęstość piersi i jej związek z ryzykiem zachorowania na raka, przy jednoczesnym zachowaniu czasu obliczeniowego i pamięci.

Główny badacz Astley powiedział: „Wydajność modelu jest porównywalna z wydajnością ludzkich ekspertów w granicach niepewności. Ponadto można go trenować znacznie szybciej i na małych zestawach danych lub podzbiorach dużego zestawu danych”.

Można to również wykorzystać do trenowania innych modeli obrazowania medycznego w oparciu o oszacowania gęstości tkanki piersi. Może to poprawić wydajność zadań takich jak przewidywanie ryzyka zachorowania na raka lub segmentacja obrazu zaczarować.

Przeczytaj także: Jak wyciągnąć więcej z codziennego spaceru