Dolar 9,3088
Euro 10,8387
Altın 529,59
BİST 1.430
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 17 °C
Çok Bulutlu

Yapay Zeka Yoğun Göğüslerdeki Kanseri Hızlı ve Doğru Bir Şekilde Dışlayabilir

05.10.2021
10
Yapay Zeka Yoğun Göğüslerdeki Kanseri Hızlı ve Doğru Bir Şekilde Dışlayabilir

Derin Shapley katkı açıklamaları (SHAP) bindirme görüntüleri örnekleri. Maksimum yoğunluk projeksiyonu (MIP) görüntüleri solda ve SHAP bindirmeli MIP görüntüleri sağda. Pozitif SHAP değerleri (kırmızı), yüksek bir lezyon varlığı olasılığına katkıda bulunan alanları gösterirken, negatif SHAP değerleri (mavi) düşük olasılığa sahip yerleri gösterir. (A) Meme Görüntüleme Raporlama ve Veri Sistemi (BI-RADS) kategorisi 4 olan 57 yaşındaki bir kadında invaziv bir duktal karsinomun kontrastlı meme MRI taramasının sagital MIP görüntüleri. Derin öğrenme (DL) modeli, lezyon varlığı olasılığı %90’dır. Pozitif SHAP değerlerinin (kırmızı) lezyonun konumuyla (oklar) örtüştüğü gösterilmiştir. (B) BI-RADS 1 skoru olan 53 yaşında bir kadında lezyonsuz memenin kontrastlı meme MRG taramasının sagital MIP görüntüleri. DL modeli, %11’lik bir lezyon mevcudiyeti olasılığı verdi. Negatif SHAP değerleri (mavi) meme bölgesinde yaygın olarak dağılmıştır. (C) BI-RADS 4 skoru olan 65 yaşındaki bir kadında in situ duktal karsinomun kontrastlı meme MRG taramasının transvers MIP görüntüleri. DL modeli, çalışmamızda malign hastalığı olan tüm göğüsler arasında en düşük olasılık değeri olan %32’lik bir lezyon varlığı olasılığı vermiştir. Pozitif SHAP değerlerinin (kırmızı) lezyonun konumuyla (oklar) örtüştüğü gösterilmiştir. Kredi: Kuzey Amerika Radyoloji Derneği

Yapay zeka (AI) kullanan otomatik bir sistem, yoğun göğüsleri olan kadınlarda meme MRG’lerini hızlı ve doğru bir şekilde tarayarak kanser olmayanları ortadan kaldırabilir ve radyologları daha karmaşık vakalara odaklanmak için serbest bırakabilir. Radyoloji.

Mamografi, kanserin en tedavi edilebilir olduğu zamanda erken teşhis sağlayarak meme kanserinden ölümlerin azaltılmasına yardımcı olmuştur. Ancak aşırı yoğun göğüslü kadınlarda, yağlı göğüslü kadınlara göre daha az duyarlıdır. Ek olarak, aşırı yoğun göğüslere sahip kadınların meme kanserine yakalanma riski, neredeyse tamamen yağlı göğüslere sahip kadınlara göre üç ila altı kat ve ortalama bir kadına göre iki kat daha fazladır.

Memeleri aşırı yoğun olan kadınlarda ek tarama kanser saptama hassasiyetini artırıyor. Hollanda merkezli büyük bir çalışma olan Yoğun Doku ve Erken Meme Neoplazmı Taraması (DENSE) Denemesinden yapılan araştırma, MRI ile tamamlayıcı taramanın kullanımını destekledi.

Hollanda’daki Utrecht Üniversitesi Tıp Merkezi’ndeki Görüntü Bilimleri Enstitüsü’nden çalışmanın baş yazarı Erik Verburg, “DENSE araştırması, aşırı yoğun göğüsleri olan kadınlar için ek MRI taramasının faydalı olduğunu gösterdi” dedi. “Öte yandan, DENSE araştırması, taranan kadınların büyük çoğunluğunun MRG’de şüpheli bir bulguya sahip olmadığını doğruladı.”

Çoğu MRG, radyolojik inceleme gerektirmeyebilecek normal anatomik ve fizyolojik varyasyon gösterdiğinden, radyolog iş yükünü azaltmak için bu normal MRG’leri triyajlama yollarına ihtiyaç vardır.

Verburg ve meslektaşları, türünün ilk çalışmasında, karmaşık bir yapay zeka türü olan derin öğrenmeye dayalı otomatik bir triyaj yönteminin fizibilitesini belirlemek için yola çıktılar. Lezyonlu ve lezyonsuz göğüsleri ayırt etmek için derin öğrenme modelini geliştirmek ve eğitmek için DENSE denemesinden elde edilen göğüs MRG verilerini kullandılar. Model, yedi hastaneden gelen veriler üzerinde eğitildi ve sekizinci bir hastaneden gelen veriler üzerinde test edildi.

Aşırı yoğun göğüslerin 4500’den fazla MRI veri seti dahil edildi. 9.162 memeden 838’inde 77’si malign olmak üzere en az bir lezyon vardı ve 8.324’ünde lezyon yoktu.

Derin öğrenme modeli, lezyonlu MRG’lerin %90,7’sini normal olmayan olarak değerlendirdi ve bunları radyolojik incelemeye yönlendirdi. Herhangi bir kanseri gözden kaçırmadan lezyonsuz MRI’ların yaklaşık %40’ını reddetti.

Verburg, “Herhangi bir malign hastalığı kaçırmadan meme tarama MRG’lerini reddetmek için yapay zekayı güvenle kullanmanın mümkün olduğunu gösterdik” dedi. “Sonuçlar beklenenden daha iyiydi. Yüzde kırk iyi bir başlangıç. Ancak, iyileştirmemiz gereken hala %60 var.”

Verburg, AI tabanlı triyaj sisteminin radyolog iş yükünü önemli ölçüde azaltma potansiyeline sahip olduğunu söyledi. Yalnızca Hollanda’da, meme yoğunluğuna dayalı olarak iki yılda bir MRI meme taraması için yaklaşık 82.000 kadın uygun olabilir.

Verburg, “Yaklaşım ilk önce radyologların genel okuma süresini azaltmalarına yardımcı olmak için kullanılabilir.” Dedi. “Sonuç olarak, gerçekten karmaşık meme MRG incelemelerine odaklanmak için daha fazla zaman mevcut olabilir.”

Araştırmacılar, modeli diğer veri kümelerinde doğrulamayı ve DENSE denemesinin sonraki tarama turlarında uygulamayı planlıyor.

Referans: “DENSE Denemesinden 4581 meme MRG İncelemelerinin Otomatik Triyajına Yönelik Derin Öğrenme” 5 Ekim 2021, Radyoloji.

Erik Verburg ile işbirliği yapanlar arasında Carla H. van Gils, Ph.D., Bas HM van der Velden, Ph.D., Marije F. Bakker, Ph.D., Ruud M. Pijnappel, MD, Ph.D., Wouter vardı. B. Veldhuis, MD, Ph.D. ve Kenneth GA Gilhuijs, Ph.D.

.

Gelişmelerden zamanında haberdar olmak için Google News’te Bilim Portal’a ABONE OLUN

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.