Ein Algorithmus könnte eine wichtige Rolle spielen im helfen Radiologen diagnostizieren Krebs früh, genau

Ein Algorithmus könnte eine wichtige Rolle spielen im helfen Radiologen diagnostizieren Krebs früh, genau

Brustkrebs ist die führende Ursache des Krebs-bedingten Todes unter den Frauen, und es ist schwer zu diagnostizieren. Fast 1 in 10 Karzinomen wird fälschlicherweise als nicht Krebs; auf der anderen Seite, die Mammographie eine Frau hat, desto größer ist die chance, die Sie werden sehen, ein falsch positives Ergebnis und Gesicht eine unnötige invasive Verfahren—die meisten wahrscheinlich eine Biopsie.

Genauere diagnostische Techniken zu zeigen. Aber was, wenn wir stattdessen verließen sich auf die Führung eines Algorithmus?

Assad Oberai, Hughes Professor in der Luftfahrt-und Maschinenbau-Abteilung an der USC Viterbi School of Engineering, fragte diese genaue Frage kürzlich in einem Papier veröffentlicht in ScienceDirect. Zusammen mit einem team von Wissenschaftlern—darunter der USC Viterbi-Ph. D. student Dhruv Patel—Oberai insbesondere die folgenden betrachtet: Können Sie trainieren, eine Maschine zu interpretieren, real-Welt-Bilder mit synthetischen Daten und optimieren Sie die Schritte zur Diagnose?

Die Antwort, sagte er, ist den meisten wahrscheinlich ja.

Im Fall von Brust-Ultraschall-Elastographie—eine aufkommende bildgebende Technik, die enthält Informationen über eine mögliche Brust Läsion durch die Beurteilung der Steifigkeit in einer nicht-invasive Weise—Oberai gesucht, um zu bestimmen, wenn Sie könnte überspringen Sie die komplizierten Schritte des Prozesses. Stattdessen schuf er Physik-basierte Modelle zeigten, dass die unterschiedlichen Ebenen der wichtigsten Eigenschaften. Er nutzte dann Tausende von Daten Eingänge abgeleitet aus diesen Modellen trainieren die machine-learning-Algorithmus.

Synthetische versus real-world-Daten

Aber warum würden Sie verwenden, synthetisch abgeleiteten Daten, die zum trainieren des Algorithmus? Wäre das nicht echte Daten besser sein?

„Wenn Sie genug Daten zur Verfügung, würden Sie nicht,“ Oberai sagte. „Aber im Fall der medizinischen Bildgebung, haben Sie Glück, wenn Sie haben 1000 Bilder. In Situationen wie dieser, in denen Daten knapp ist, sind diese Arten von Techniken werden immer wichtiger.“

Oberai und sein team nutzten rund 12.000 synthetische Bilder zu Schulen, machine-learning-Algorithmus. Dieser Prozess ist in vielerlei Hinsicht ähnlich um wie Ausweis mit Foto software arbeiten, lernen durch wiederholte Eingaben zu erkennen, wie eine bestimmte person in einem Bild oder, wie unser Gehirn lernt zu klassifizieren, eine Katze gegen einen Hund. Durch genügend Beispiele, die der Algorithmus ist in der Lage abrufen verschiedene Funktionen, die zu einem gutartigen tumor im Vergleich zu einem bösartigen tumor und machen die richtige Bestimmung.

Oberai und sein team erreicht fast 100% klassifikationsgenauigkeit auf andere synthetische Bilder. Sobald der Algorithmus trainiert wurde, testeten es auf real-Welt-Bilder, um zu bestimmen, wie genau es sein könnte in der Bereitstellung von Diagnose, Messung, diese Ergebnisse gegen eine Biopsie-bestätigten Diagnosen im Zusammenhang mit diesen Bildern.

„Wir hatten über 80% Genauigkeit rate,“ Oberai sagte. „Als Nächstes fahren wir weiter zu verfeinern, indem der Algorithmus mit einer real-Welt-Bilder als Eingabe.“

Änderung der Methode für die Diagnose von Krebs

Es gibt zwei vorherrschende Punkte des maschinellen Lernens ein wichtiges Instrument bei der Weiterentwicklung der Landschaft für die Krebs-Früherkennung und-Diagnose. Ersten, machine-learning-algorithmen können Muster erkennen, die möglicherweise undurchsichtigen Menschen. Durch die manipulation viele solche Muster, die der Algorithmus kann eine genaue Diagnose. Zweitens -, machine-learning-Angebote eine chance zur Verringerung der operator-zu-operator-Fehler.

Würde diese dann ersetzen Sie einen Radiologen Rolle in der Bestimmung der Diagnose? Oberai nicht vorauszusehen, ein Algorithmus, der dient als alleinige Schiedsrichter der Krebs Diagnose, sondern ein Werkzeug, das hilft führen Radiologen, um genauere Schlussfolgerungen zu ziehen.

„Der Allgemeine Konsens ist, dass diese Arten von algorithmen eine wesentliche Rolle spielen, einschließlich der von imaging-Profis, denen es auf die meisten. Allerdings sind diese algorithmen werden sehr nützlich, wenn Sie dienen nicht als black boxes,“ Oberai sagte. „Was hat es zu sehen, dass führte Sie zu der Schlussfolgerung? Der Algorithmus muss erklärbar für Sie zu arbeiten, wie beabsichtigt.“

Anpassung der Diagnose-Algorithmus für andere Krebsarten

Denn Krebs verursacht verschiedene Arten von Veränderungen in der textur Einfluss, seine Präsenz kann letztlich dazu führen, eine änderung seiner physikalischen Eigenschaften, wie eine änderung in der Dichte oder Porosität. Diese änderungen werden auch erkannt werden kann als ein signal in medizinischen Bildern. Die Rolle des machine learning Algorithmus ist, wählen Sie dieses signal ab und es verwenden, um zu bestimmen, ob ein Gewebe, das abgebildet ist bösartig.