La inteligencia artificial (IA) da una gran promesa de analizar el conjunto de datos de imágenes médicas gigantes e identificar el patrón que los observadores humanos recordaron. La interpretación asistida por AI-Brain puede ayudar a mejorar el cuidado de los niños con un tumor cerebral llamado gliomas, que generalmente son tratables pero que varían al riesgo de recurrencia. El investigador y asociado del general de Mass Brigham en el Hospital Boston Children y el Centro de Trastornos de Cáncer y Blood de Dana-Perber/Boston entrenó el algoritmo de aprendizaje profundo para analizar a los pacientes con riesgo de repetición de cáncer, secuencial, tratamiento posterior de tratamiento y pacientes con bandera. Se publican sus resultados New England Journal of Medicine AI,
Benjamin Kannan, un escritor compatible de MD of Artificial Intelligence (AIM) y Brigham en el Departamento de Hospital de Mujeres y Radiación en el Hospital de Mujeres, dijo Benjamin Kann, un escritor compatible de MD de inteligencia artificial (AIM) en el Hospital de las Mujeres, “Mades pediátricas Gliomas están a solas con cirugía, pero cuando son desastrosas” Benjamin Kann Kann de MD Hospital de MDY de MDANTO OF MATIA DE MATIO DE MATIO A LAS ANTIS CON CIFURITURA, PERO CUANDO CUANDO ESTÁN ESTÁS DESASTROSOS “BENJAMIN KANN. En el programa de medicina (AIM), dijo: “El general de masa Brigham y Brigham y Brigham y el Hospital de Mujeres en el Departamento de Oncología Radiation.” Es muy difícil adivinar quién puede ser el riesgo de recurrencia, por lo que los pacientes se someten a seguimiento frecuente con imágenes de resonancia magnética (MR) durante muchos años, un procedimiento que puede ser estresante y los niños y las familias y las familias. Requerimos un mejor equipo para identificar rápidamente qué pacientes tienen el mayor riesgo de recurrencia “.
El estudio de enfermedades relativamente raras como el cáncer pediátrico puede ser desafiado por datos limitados. El estudio, que fue financiado en parte por el Instituto Nacional de Salud, aprovechó la participación institucional en todo el país para recolectar alrededor de 4,000 escaneos de RM de 715 niños. Lo que puede “aprender” la IA de la exploración cerebral de un paciente y para predecir la recurrencia más precisa, una técnica llamada aprendizaje temporal empleó una técnica llamada modelo para sintetizar las conclusiones de varios escaneos cerebrales tomados varios meses después del programa de programas post-serial.
Por lo general, el modelo AI para imágenes médicas está entrenado para sacar conclusiones de un solo escaneo; Con el aprendizaje temporal, que no se ha utilizado anteriormente para la investigación de IA de imágenes médicas, las imágenes adquiridas con el tiempo indican la repetición del algoritmo que predice la repetición del cáncer del algoritmo. Para desarrollar el modelo de aprendizaje temporal, los investigadores primero capacitaron al modelo para confiscar el escaneo de RM de cirugía de un paciente en orden cronológico para que el modelo pudiera aprender a reconocer los cambios microscópicos. A partir de ahí, los investigadores fijaron adecuadamente el modelo para agregar cambios con la recurrencia del cáncer, donde sea adecuado.
En última instancia, los investigadores encontraron que el modelo de aprendizaje temporal con una precisión del 75-89 por ciento es mucho mejor que la precisa de las predicciones basadas en predicciones basadas en las profecías de la repetición de glioma bajo o de alto grado en un año después, lo que se encontró que era aproximadamente el 50 por ciento (no mejor). Después de proporcionar a la IA imágenes de más puntos de tiempo, la precisión de predicción del modelo aumentó después del tratamiento, pero solo se requirieron cuatro a seis imágenes antes de esta mejora.
Los investigadores toman precauciones de que se requiere más verificación en entornos adicionales antes de la aplicación clínica. En última instancia, esperan comenzar las pruebas clínicas para ver si las predicciones de riesgo informadas por IA pueden mejorar los tiros de atención al reducir la frecuencia de imagen para los pacientes con mayor riesgo o tratar a pacientes de alto riesgo con accesorios específicos.
“Hemos demostrado que la IA es capaz de analizar y crear predicciones de manera efectiva de muchas imágenes, no solo un solo escaneo”, el programa AIM en el general masivo Brigham y Divyanshu Tak, el primer escritor del departamento de oncología de la radiación en Brigham y el departamento de oncología de la radiación, dijo Divyanshu Tak. “Esta técnica se puede aplicar en muchos entornos donde los pacientes reciben imágenes en serie y longitudinales, y estamos entusiasmados de ver qué inspirará este proyecto”.
Autoridad: Además de Kann y Tak, el general de misa Brigham entre los escritores Binim A. Garmsa, Anna Zapashichkova, Zezong Yeh, Maryim Mahotha, Tafdzwa Chaunzwa, Hugo Jwall Erts y Daffne Has-Kogan. Los autores adicionales incluyen Sridhar Vajpayam, Juan Carlos Liquidación Pardo, Seelidh Smith, Ariana M. Familiar, Kevin X. Liu, Sanjay Prabhu, Priti Bandopadah, Ali Nabviizadeh, Sabine Mueller y Tina Y. Pussent incluyen.
Financiación: este estudio fue apoyado en parte por el Instituto Nacional de Salud/ Instituto Nacional del Cáncer (NIH/ NCI) (U54 CA274516 y P50 CA165962), y consorcio Gosh-Marsh Low Gliod Gliodta. También nos gustaría aceptar la Red de Tumores Brain (CBTN) para niños para obtener imágenes y acceso a datos clínicos.
Passionate about Blogs since 1994
