Система искусственного интеллекта позволяет в короткие сроки диагностировать плоскоклеточную карциному полости рта с вероятностью 92%, как сообщается в новом исследовании. Быстрое и автоматическое определение данного типа рака необходимо для своевременного лечения с успешным прогнозом.
«В исследовании авторы приводят способ компьютерной диагностики и определения типа злокачественного новообразования на основе анализа снимков биопсии тканей карциномы ротовой полости и здоровых тканей», - говорит автор, к.м.н. Липи Маханта из Института наук и технологий в г. Гувахати в Индии.
Сегодня для клинической оценки плоскоклеточных карцином проводят анализ эпителиальных тканей ротовой полости. Данный анализ занимает достаточно много времени, поскольку лаборанту отдела патологии приходится давать оценку каждому различию между здоровыми клетками и клетками рака. В результате лечение заболевания откладывается на период постановки диагноза.
В недавно проведенной работе было показано, что компьютерные алгоритмы позволяют диагностировать подслизистый фиброз полости рта на основе снимков биопсии тканей. Исследователи применяют разнообразные технологии искусственного интеллекта с целью создания диагностических тестов для определения онкологии. По словам авторов, технология, используемая в исследовании, впервые позволила провести диагностику плоскоклеточного рака ротовой полости без оценки лаборанта или врача.
Д-р Маханта использовала два метода для оценки снимков биопсии. Первый метод – перенос обучения с помощью предварительно обученной точной сверточной нейросети (CNN) на 4 моделях: Alexnet, VGG-16, VGG-19, Resnet-50. Второй метод – использование предварительной CNN модели. Затем лаборант отдела патологии отмечал области на снимке биопсии, данные были собраны и распределены по меткам.
Наибольшая точность в классификации форм рака отмечалась при использовании модели Resnet-50, однако лучшая характеристика переноса обучения отмечалась у предварительной модели CNN, с точностью 97,5%.
Авторы не выявили ограничений, которые могли бы повлиять на результаты работы. На данном этапе они работают над переносом данного алгоритма в программное обеспечение, которое можно внедрить в больничную компьютерную систему для проведения клинического исследования.
«Ценность данной работы в том, что впервые удалось использовать математические методы и технологию искусственного интеллекта для диагностики наиболее распространенной формы рака ротовой полости по снимкам биопсии», - говорят авторы.
Система искусственного интеллекта позволяет в короткие сроки диагностировать плоскоклеточную карциному полости рта с вероятностью 92%, как сообщается в новом исследовании. Быстрое и автоматическое определение данного типа рака необходимо для своевременного лечения с успешным прогнозом.
«В исследовании авторы приводят способ компьютерной диагностики и определения типа злокачественного новообразования на основе анализа снимков биопсии тканей карциномы ротовой полости и здоровых тканей», - говорит автор, к.м.н. Липи Маханта из Института наук и технологий в г. Гувахати в Индии.
Сегодня для клинической оценки плоскоклеточных карцином проводят анализ эпителиальных тканей ротовой полости. Данный анализ занимает достаточно много времени, поскольку лаборанту отдела патологии приходится давать оценку каждому различию между здоровыми клетками и клетками рака. В результате лечение заболевания откладывается на период постановки диагноза.
В недавно проведенной работе было показано, что компьютерные алгоритмы позволяют диагностировать подслизистый фиброз полости рта на основе снимков биопсии тканей. Исследователи применяют разнообразные технологии искусственного интеллекта с целью создания диагностических тестов для определения онкологии. По словам авторов, технология, используемая в исследовании, впервые позволила провести диагностику плоскоклеточного рака ротовой полости без оценки лаборанта или врача.
Д-р Маханта использовала два метода для оценки снимков биопсии. Первый метод – перенос обучения с помощью предварительно обученной точной сверточной нейросети (CNN) на 4 моделях: Alexnet, VGG-16, VGG-19, Resnet-50. Второй метод – использование предварительной CNN модели. Затем лаборант отдела патологии отмечал области на снимке биопсии, данные были собраны и распределены по меткам.
Наибольшая точность в классификации форм рака отмечалась при использовании модели Resnet-50, однако лучшая характеристика переноса обучения отмечалась у предварительной модели CNN, с точностью 97,5%.
Авторы не выявили ограничений, которые могли бы повлиять на результаты работы. На данном этапе они работают над переносом данного алгоритма в программное обеспечение, которое можно внедрить в больничную компьютерную систему для проведения клинического исследования.
«Ценность данной работы в том, что впервые удалось использовать математические методы и технологию искусственного интеллекта для диагностики наиболее распространенной формы рака ротовой полости по снимкам биопсии», - говорят авторы.
0 комментариев