Brustkrebs ist die führende Ursache des Krebs-bedingten Todes unter Frauen. Es ist auch schwer zu diagnostizieren. Fast ein in 10 Karzinomen wird fälschlicherweise als nicht bösartig ist, was bedeutet, dass ein patient verlieren kann, kritische Behandlung der Zeit. Auf der anderen Seite, die Mammographie eine Frau hat, desto wahrscheinlicher ist es, Sie werden sehen, ein falsch positives Ergebnis. Nach 10 Jahren jährliche Mammographie, etwa zwei von drei Patienten, die nicht über Krebs wird gesagt, dass Sie tun und werden ausgesetzt, um eine invasive intervention, die meisten wahrscheinlich eine Biopsie.
Brust-Ultraschall-Elastographie ist eine neue bildgebende Technik, die enthält Informationen über eine mögliche Brust Läsion durch die Beurteilung der Steifigkeit in einem nicht-invasive Weise. Verwenden genauere Informationen über die Eigenschaften einer krebsartigen oder nicht-krebsartigen Brust Läsion, diese Methodik hat gezeigt, mehr Genauigkeit im Vergleich zu traditionellen Formen der Bildgebung.
Im Kern dieses Verfahrens ist jedoch ein Komplexes berechnungsproblem, das kann zeitraubend und umständlich zu lösen. Aber was, wenn wir stattdessen verließen sich auf die Führung eines Algorithmus?
Assad Oberai, USC Viterbi School of Engineering Hughes Professor in der Abteilung für Luft-und Raumfahrt und Maschinenbau, gebeten, diese exakte Frage in der Forschung Papier, „Umgehung der Lösung von inversen Problemen in der mechanik durch die tiefen lernen: Anwendung der Elastizität imaging“, erschienen in Computer Methods in Applied Mechanics and Engineering. Zusammen mit einem team von Forschern, 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, Oberai sagt, ist den meisten wahrscheinlich ja.
Im Fall von Brust-Ultraschall-Elastographie, einmal ein Bild von dem betroffenen Bereich genommen wird, wird das Bild analysiert, um zu bestimmen, Verschiebungen innerhalb des Gewebes. Mit Hilfe dieser Daten und den physikalischen Gesetzen der mechanik, der räumlichen Verteilung der mechanischen Eigenschaften—wie seine Steifigkeit bestimmt. Nach dieser, muss man identifizieren und zu quantifizieren, die entsprechenden Funktionen aus, die Verteilung, die letztlich zu einer Klassifizierung der tumor als bösartig oder gutartig sein. Das problem ist, dass Sie die letzten beiden Schritte sind sehr Komplex und inhärent schwierig.
In der Forschung, Oberai gesucht, um zu bestimmen, wenn Sie könnte überspringen Sie die komplizierten Schritte dieses Workflows vollständig.
Krebs der Brust-Gewebe hat zwei wichtige Eigenschaften: Heterogenität, was bedeutet, dass einige Bereiche sind weich, und einige sind fest, und der nicht-linearen Elastizität, was bedeutet, dass die Fasern bieten eine Menge Widerstand, wenn er statt der ersten geben, die im Zusammenhang mit gutartigen Tumoren. Dies zu wissen, Oberai erstellt, Physik-basierte Modelle zeigten, dass die verschiedenen Ebenen der diese wichtigen Eigenschaften. Er nutzte dann Tausende von Daten Eingänge abgeleitet aus diesen Modellen um Zug-die machine-learning-Algorithmus.
Synthetische Versus Real-World-Daten
Aber warum würde Sie synthetisch abgeleitete Daten, die zum trainieren des Algorithmus? Wäre das nicht echte Daten besser sein?
„Wenn Sie genug Daten zur Verfügung, würden Sie nicht,“ sagte Oberai. „Aber im Fall der medizinischen Bildgebung, haben Sie Glück, wenn Sie haben 1000 Bilder. In Situationen wie diese, 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 Prozent 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 etwa 80 Prozent Genauigkeit. Als Nächstes fahren wir weiter zu verfeinern, indem der Algorithmus mit einer real-Welt-Bilder als Input,“ Oberai sagte.
Ändern, Wie Diagnosen Gestellt
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.
Also dann, wäre das ersetzen eines Radiologen Rolle in der Bestimmung der Diagnose? Definitiv nicht. 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“, sagte Oberai. „Was hat es zu sehen, dass führte Sie zu der Schlussfolgerung? Der Algorithmus muss erklärbar für Sie zu arbeiten, wie beabsichtigt.“
Die Anpassung des Algorithmus für Andere Krebsarten
Denn Krebs verursacht verschiedene Arten von änderungen in der Gewebe-Auswirkungen der Anwesenheit von Krebs in einem Gewebe kann letztlich dazu führen, eine änderung seiner physikalischen Eigenschaften, beispielsweise 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.