Képes-e a mély tanulás csökkenteni a felesleges pajzsmirigy biopsziák számát?

Közösségek - AI - Mesterségs Intelligencia | 2018. július 15. 08:10 | Utolsó módosítás dátuma - 2019. március 12. 21:10 | Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=di

A pajzsmirigy biopsziák az esetek többségében benignus léziók miatt történik. Éppen ezért szükség volna ezeknek a beavatkozásoknak a számát úgy csökkenteni, hogy közben a ténylegesen rosszindulatú elváltozások ne essenek ki a látókörünkből

Képes-e a mély tanulás csökkenteni a felesleges pajzsmirigy biopsziák számát?

A pajzsmirigy biopsziák körülbelül 90%-ánál benignus elváltozásokkal találkozhatunk. A mély tanulás képes lehet segíteni az ilyen esetek kizárását, így csökkentve a betegek felesleges terhelését, derült ki egy nemrég megjelent tanulmányból.

Miután a mély tanulási algoritmust kiképezték arra, hogy a pajzsmirigy göböket képes legyen elemezni a B-mode ultrahang felvételeken, azt találták, hogy körülbelül az esetek felében sikerrel volt képes a felesleges biopsziákat kiszűrni, mialatt a szenzitivitást nem csökkentette.

“Ez az előzetes tanulmány bebizonyította, hogy a biopsziák száma könnyen csökkenthető lenne legalább 45%-al úgy, hogy közben egyetlen malignus esetet se néznénk el.” - mondta Zaynettin Akkus PhD.

Alacsony malignitási arány

A pajzsmirigy göbök az egyik leggyakrabban előforduló gócos elváltozás típus és csaknem a társadalom felénél jelen lehet. Nagytöbbségben ezek mind benignusak. Az ultrahang az egyik legfontosabb modalitás, amellyel kimutathatóak ezek a göbök, valamint az ultrahang segítségével finomtű aspiráció szolgálhat a pontos karakterizálásához. Korábbi tanulmányokból kiderült, hogy a finomtű aspirációk körülbelül 10%-ában fordulnak elő rosszindulatú elváltozások.

“Emiatt drasztikus csökkentésre lenne szükség a felesleges finomtű aspirációk számába.” – mondta Akkus.

A Mayo Klinika és az ASU kutatói egy kutatást indítottak el arra nézve, hogy a mély tanulás képes-e az ultrahangon kapott eredmények segítségével kizárni, hogy egy göb benignus vagy malignus-e és ezáltal képes lenne-e csökkenteni a finomtű biopsziák számát.

“Van néhány tulajdonság az ultrahangon, ami megfelelően képes segíteni a klinikust, hogy eldöntse szükséges-e a biopszia és ezekkel a tulajdonságokkal szeretnénk a mély tanulást felvértezni, hogy képes legyen a klinikust segíteni ebben a döntéshozatalban.”

Algoritmus taníttatása

A kutató csoport 174 pajzsmirigy göböt vizsgált meg, amelyeknek volt megfelelő ultrahang és biopsziás követése is egyaránt. Ezen 174 eset közül 119 eset lett benignus és 55 malignus.

Ez az adathalmaz szolgált a mély tanulás algoritmus taníttatására, amibe 100 benignus és 50 malignus eset tartozott bele, a maradék 19 benignus és 5 malignus eset pedig a tesztelésre lett felhasználva. A kisszámú tesztkészlet miatt a kutatók megfelelő mesterséges adatkészletet hoztak létre, amivel növelték a teszt adatkészlet nagyságát az algoritmus számára. Ezzel a növelési metódussal - beleértve a rotációját, a horizontális és vertikális eltolását, a fókuszálását, valamint a vertikális és horizontális forgatását a képeknek – képesek voltak a tréning adatkészletet 1500 benignus és 1500 malignus esetre generálni.

Ehhez a projekthez a kutatók egy mély tanuláson alapuló reziduális hálózatot (ResNets) használtak, amit adaptáltak a saját klasszifikációs metódusaikhoz. Valamint ötszörös keresztvalidálást használtak a taníttatási metódus alatt a hálózatban.

Szöveti analízis

Miután többféle megközelítést is kipróbáltak, a kutatók azt találták, hogy a legjobban teljesítő algoritmus a ResNet volt mely “random-forest” klasszifikációt használt a göb szöveti analízisére, amit Law’s texture energy measurment-nek neveztek el. Ez a mérés képes 2D-s ultrahang felvételeken meghatározni, hogy egy göb benignus vagy malignus-e.

A kutatók szerint, a csaknem 100%-os szenzitivitással a malignus gököb kimutatásában a ResNet, a “random-forest” kategorizáló segítségével a pajzsmirigy göbök finomtűs aspirációk számát csaknem 45%-al képes lenne csökkenteni. A ROC (receiver operating characteristic) analízis szerint a ResNet 82,3%-os szenzitivitást, 76,2%-os specificitást ért el és a görbe alatti területe (AUC) 0,72362 lett.

Akkus szerint ez a teljesítmény tovább növelhető lenne még nagyobb adatkészlet segítségével.

“Tehát folyamatosan egyre több adatot próbálunk szerezni, ami által folyamatosan jobb meghatározási arányt érhetnénk el. A közeljövőben Doppler felvételeket, valamint shear-wave elasztográfiás felvételeket is szeretnénk használni. Ezen multimodalitásokkal nyert információkkal még jobban megjósolható lenne a dignitás.” - zárta le Akkus.

 

Referálta:

dr. Firtkó Szilveszter

radiológus szakorvosjelölt

Debreceni Egyetem Kenézy Gyula Egyetemi Kórház

Központi Radiológia Diagnosztika