一項新的研究發(fā)現(xiàn)，結(jié)合多種機器學習方法的人工智能 (AI) 模型可以準確地檢測甲狀腺癌，并通過分析常規(guī)超聲圖像來預測病理和基因組結(jié)果。人工智能模型可以為該疾病的篩查、分期和個性化治療計劃提供一種低成本、非侵入性的選擇。該研究的結(jié)果將于明天在 2022 年多學科頭頸癌研討會上公布。
“甲狀腺癌是美國增長最快的癌癥之一，主要是由于檢測的增加和診斷的改進。我們開發(fā)了一個人工智能平臺，可以檢查超聲圖像并高精度預測是否存在潛在問題的甲狀腺結(jié)節(jié)，事實上，癌變。如果是癌變，我們可以進一步預測腫瘤分期、淋巴結(jié)分期以及是否存在 BRAF 突變，”資深作者、醫(yī)學博士、頭頸部放射腫瘤學研究項目主任 Annie Chan 說麻省總癌癥中心。“如果及早發(fā)現(xiàn)，這種疾病是高度可治療的，患者通?？梢栽谥委熀蟠婊詈荛L時間。”
為了訓練和驗證 AI 平臺，研究人員通過常規(guī)診斷超聲從 784 名患者中獲得了 1,346 張甲狀腺結(jié)節(jié)圖像。超聲圖像分為兩個數(shù)據(jù)集，一個用于內(nèi)部訓練和驗證，一個用于外部驗證。通過細針活檢獲得的樣本證實了惡性腫瘤。病理分期和突變狀態(tài)分別通過手術報告和基因組測序得到證實。
與傳統(tǒng)的人工智能方法不同，研究人員為模型結(jié)合了多種人工智能方法，包括(1)放射組學，從圖像中提取大量定量特征;(2)拓撲數(shù)據(jù)分析(TDA)，評估圖像中數(shù)據(jù)點之間的空間關系;(3) 深度學習，算法通過人工智能神經(jīng)網(wǎng)絡的多層運行數(shù)據(jù)以生成預測;(4) 機器學習 (ML)，其中算法利用甲狀腺成像報告和數(shù)據(jù)系統(tǒng) (TI-RADS) 定義的超聲特性作為 ML 特征。“通過集成不同的人工智能方法，我們能夠在最大限度地減少噪音的同時捕獲更多數(shù)據(jù)。這使我們能夠在做出預測時達到高度的準確性，”陳博士說。
利用這四種方法的多模式平臺準確預測了內(nèi)部數(shù)據(jù)集中 98.7% 的甲狀腺結(jié)節(jié)惡性腫瘤，顯著優(yōu)于單獨使用的單個 AI 模式。相比之下，個體放射組學模型預測了 89% 的惡性腫瘤(與多模態(tài)平臺相比，p<0.001)，深度學習模型達到了 87% 的準確率(p=0.002)，TDA 和 (ML)TI-RADS 準確率為 81 % 和 80% 的樣本，分別為(均 p<0.001)。在外部驗證數(shù)據(jù)集上，該模型對惡性腫瘤預測的準確率為 93%。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！