A mesterséges intelligencia, amely képes elkülöníteni a glioblastomát az agyi áttétektől

Közösségek - AI - Mesterségs Intelligencia | 2019. június 06. 09:06 | Utolsó módosítás dátuma - 2024. október 09. 02:20 | Forrás: radiologia.hu - dr. Pelyvás Bence

A radiomika és mesterséges intelligencia algoritmus kombinálása nagy pontosságot eredményezhet glioblastoma és soliter agyi metasztázosok elkülönítésében T1 súlyozott MRI vizsgálatokon - számol be róla egy tanulmány a Journal of Magnetic Resonance Imaging nevű folyóiratban.

A Tel Avivi Egyetem kutatói, Moran Artzi és Idan Bressler által kifejlesztett gépi tanulás algoritmus a hagyományos posztkontrasztos T1 súlyozott felvételeken hajt végre radiomikai analízist. A vizsgálatok során azt találták, hogy az algoritmus 0,96-os görbe alatti területet (AUC) mutatott glioblastoma és agyi áttét elkülönítése során.

„Az eredmények azt mutatják, hogy az automatikus klasszifikáció használata klinika potenciállal rendelkezik a kontrasztanyagos MRI vizsgálatoknál a glioblastoma és soliter agyi metasztázisok elkülönítésében a frissen felismert betegeknél” - írták a szerzők.

Az agytumorban szenvedő betegek vizsgálatára az MRI a választandó modalitás, de kihívást jelenthet a radiológusok számára a soliter agyi metasztázisok és a glioblastoma elkülönítése, mivel MRI vizsgálaton ezen betegségek hasonló megjelenést mutatnak, jegyezték meg a kutatók. Ez pedig kritikus pont, mivel a glioblastoma és a metasztázisok kezelése merőben eltér egymástól.

Ennek eredményeként, a kutatók megkísérelték felhasználni a radiomikai analízist, hogy elkülönítsék a glioblastomát az agyi áttétek altípusaitól hagyományos posztkontrasztos T1 súlyozott MRI vizsgálatoon. 439 beteg adatát gyűjtötték be, 212 esetben a betegek gliobastomában szenvedtek, míg 227 esetben agyi metasztázisban, melyek eredete eltérő volt az egyes esetekben, de elsősorban tüdő- és emlődaganatok áttétei. A képek posztkontraszt 3D T1 súlyozott grádiens-echo mérések voltak, melyek 1,5T és 3T térerejű GE Healthcare, illetve Siemens Healthineers rendszereken készültek. A betegek adatainak 80%-át az algoritmus tanítására, 20%-át a gépi tanulás algoritmus tesztelésére használták fel.

A radiomikai elemzési metódus első fázisaként a képeken előfeldolgozást, a tumoros terület szegmentálását hajtották végre. Ezt követően kigyűjtötték a betegek klinikai információit, a tumor helyzetét, az első és másodrendű statisztikai jellemzőket, a morfológiai jellemzőket.

A kutatócsoport több gépi tanulás algoritmus – vektor-támogató algoritmus (support-vector machine; SVM) , k-nearest neighbor, döntési fák (decision trees), együttes osztályozók -  képességét értékelte a tumorok osztályzására. Az SVM algoritmus mutatta a legjobb eredményt.

Azonban az algoritmus teljesítménye változik a glioblastoma és az egyes agyi áttétek altípusai között, az AUC érték glioblastoma esetén 0.98, tüdő áttét esetén 0.83, emlődaganat áttét esetében 0.81 és 0.51 más primer tumorok esetében.

„Az osztályozás glioblastoma és az agyi áttétek altípusai között további MRI szekvenciák felhasználást igényelheti, más szöveti kontrasztokkal.” írták a kutatók.

A szerzők megjegyezték, hogy a módszerük adaptálható lehet más agyi tumorok osztályozásához és további gépi tanulási algoritmusok értékelésére is használható lehet.

„Ez a tanulmány előrelépés a számítógép által segített diagnosztikus eszközök fejlesztésében, melyek segíthetik a radiológust az agytumorok értékelésében és osztályozásában”.

Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=124241