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.
Wspólne historie
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
„Całkowity miłośnik kawy. Miłośnik podróży. Muzyczny ninja. Bekonowy kujon. Beeraholik.”
More Stories
Webb po raz pierwszy odkrył atmosferę na skalistej egzoplanecie
Reakcja na kampanię przesiewową budzi uznanie
Pomimo globalnych zmian klimatycznych Ziemia jest zaskakująco uboga w węgiel