Computertomographie (CT) ist ein wichtiges diagnostisches Hilfsmittel zur Beurteilung von Lungenkrebs bei Patienten. Jetzt NIBIB-finanzierte Forscher an der Stanford University ein künstliches neuronales Netz zur Analyse von Lungen-CT-scans liefern Informationen über Lungenkrebs schwere, kann guide Optionen für die Behandlung.
CT-Bildgebung ist ein wichtiges diagnostisches Instrument zum Messen der Lage, Umfang, Größe, Form und der Lunge Läsionen leiten therapeutische Entscheidungen bei Patienten mit Lungenkrebs die häufigste tödliche Krebserkrankung bei Erwachsenen weltweit. Allerdings kann die Analyse von CT-Bildern beschränkt sich auf das, was sichtbar ist für das menschliche Auge, und Leser Variabilität der Ergebnisse zu unterschieden in der klinischen Betreuung in verschiedenen onkologischen Zentren.
Eine multidisziplinäre Gruppe von Experten, die in der biomedizinischen informatik, Radiologie, data science, electrical engineering und Radioonkologie haben sich zusammengetan, um eine Maschine learning neural network genannt LungNet entworfen, um zu erhalten eine konsistente, schnelle und genaue Informationen von Lungen-CT-scans von Patienten. Die Gruppe arbeitete mit scans von Erwachsenen mit nicht-kleinzelligem Lungenkrebs (NSCLC), die rund 85% der Lungen-Krebs-Diagnose.
„LungNet zeigt die Vorteile der Gestaltung und Ausbildung des maschinellen Lernens tools direkt auf medizinischen Bildern von Patienten,“ sagte Qi Duan, Ph. D., Direktor des NIBIB-Programm in der Bildverarbeitung die Visuelle Wahrnehmung und das Display. „Dies ist ein herausragendes Beispiel dafür, wie machine-learning-Technologie kann eine kostengünstige Lösung zum Voraus Erkrankung die Erkennung, Diagnose und Behandlung.“
Die Arbeitsgruppe wurde geleitet von Olivier Gevaert, Assistant Professor der Medizin in Biomedical Informatics Research, Stanford, spezialisiert in der Entwicklung von machine-learning-Verfahren für biomedizinische decision support using multi-scale von biomedizinischen Daten.
„Quantitative image analysis hat gezeigt, dass die radiologischen Bilddaten, wie CT-scans von Patienten mit Lungenkrebs, die mehr minable Informationen als das, was beobachtet wird, vom Radiologen“, erläutert Gevaert. „Mit CT image datasets aus verschiedenen onkologischen Kliniken, die wir festlegen, ob unser neuronales Netzwerk ausgebildet werden konnten, um genau und reproduzierbar zu analysieren, die scans und liefern konsistente, nützlich klinischen Informationen.“
Das neuronale Netzwerk genannt LungNet ausgebildet wurde bewertet und auf vier unabhängigen Kohorten von Patienten mit NSCLC von vier medizinischen Zentren, wobei jedes Zentrum durchschnittlich mehreren hundert Patienten. Die LungNet Analyse genau vorhergesagt Gesamtüberleben in allen vier Patienten-Gruppen. LungNet auch genau klassifiziert gutartige versus malignen Knoten und war in der Lage, weitere Schichten Knötchen in Bezug auf Krebs Fortschreiten.
Das research-team erwartet, dass LungNet als äußerst wertvoll, nicht nur für die Klassifizierung von benignen versus malignen Tumoren, sondern auch für stratifying Patienten in niedrig -, Mittel -, und Gruppen mit hohem Risiko. Dies ermöglicht eine intensivere Behandlung für die Patienten in der hoch-Risiko-Gruppe sowie die Reduktion unnötiger Behandlungen für die Patienten in der niedrig-Risiko-Gruppe.