Обзор

Компьютерные программы теперь могут учиться самостоятельно и выполнять медицинские задачи на уровне, сравнимом с врачами-экспертами. Это вызвало большой интерес к глубокому обучению в медицинской отрасли. Искусственный интеллект, известный как машинное обучение, оказался успешным, потому что его алгоритмы могут извлекать новую информацию из данных без явных инструкций. Особый вид машинного обучения, называемый глубоким обучением, использует нейронные сети с несколькими уровнями для обработки и интерпретации данных.

Машинное обучение, включая глубокое обучение, достигло впечатляющих успехов в медицине. Он точно диагностировал сепсис, тяжелую реакцию на инфекцию, помог определить лучшее лечение диабета и интерпретировал сложные электрокардиограммы. Глубокое обучение демонстрирует большой потенциал в медицинской визуализации. С его помощью удалось выявить важные результаты компьютерной томографии головы, выявить диабетическую ретинопатию в глазах и даже предсказать рак молочной железы.

Что отличает глубокое обучение от других технологий?

Машинное обучение пытается имитировать человеческое мышление, выявляя закономерности в данных и обобщая знания, машинное обучение стремится имитировать человеческое мышление. Общие методы извлечения обобщаемых моделей, отражающих фундаментальные отношения между переменными, включают логистическую регрессию и линейную регрессию. Однако модели регрессии не используют необработанные данные и требуют явной параметризации.

Для разработки функций требуется опыт предметной области и пристальное внимание к взаимосвязям между переменными, что представляет собой процесс преобразования необработанных данных в представление, которое может использовать модель. Сложность модели и объем работы по разработке признаков экспоненциально возрастают из-за ковариации, путаницы и взаимодействий.

Используя процесс обучения общего назначения, который автоматически извлекает соответствующие функции посредством просмотра экземпляров каждой категории, глубокое обучение представляет собой полностью автоматизированную разработку функций. Глубокие нейронные сети — это математические операции, которые просто преобразуют предыдущий ввод и передают результат на последующий уровень. Архитектуру глубокого обучения можно рассматривать как иерархический стек простых моделей, которые постепенно изучают все более абстрактные представления данных, такие как подходящие преобразования и сложные отношения между переменными.

Поскольку нейронные сети автоматически учатся на необработанных данных, глубокое обучение имеет два ключевых преимущества:

  1. Экономия затрат
  2. Разработка сложных моделей.

Особенно при работе с несколькими переменными, которые имеют сложные взаимодействия, люди склонны строить модели, которые отражают отношения между переменными в простых линейных терминах, которые могут не полностью отражать богатство данных. Независимо от математической сложности модели нейронные сети оптимизируют ее для предсказания.

Сегментация населения и прогнозная аналитика

Сегментация населения и прогнозная аналитика

Предиктивная аналитика в медицине использует большие базы данных для улучшения ухода за пациентами. Например, были разработаны алгоритмы для прогнозирования таких состояний, как острая ишемия миокарда, что позволяет лучше принимать решения в отделениях неотложной помощи. Простые модели на основе биомаркеров работают для многих состояний, но для сложных случаев, таких как сепсис, требуются более совершенные модели машинного обучения, которые анализируют множество факторов с течением времени. Эти модели могут выявить сепсис раньше и улучшить исходы. Машинное обучение превосходит традиционные модели при работе с обширными и сложными медицинскими данными. Он может более точно прогнозировать начало таких заболеваний, как диабет II типа, используя имеющиеся данные, не нарушая рабочие процессы.
Электронные медицинские карты предоставляют ценную информацию, в том числе о сроках проведения тестов, которые могут более точно предсказать повторную госпитализацию и смертность, чем сами результаты испытаний. По мере роста объема медицинских данных усовершенствованные модели с множеством переменных будут становиться все более актуальными для принятия клинических решений.

Системы поддержки принятия решений

Выбор теста или терапии, на основе которых с наибольшей вероятностью будет польза для пациента, является руководящим принципом, который врачи используют при принятии решений в медицине. Тем не менее, клинические решения редко подкрепляются четким обоснованием; тем не менее, машинное обучение и глубокое обучение могут пролить свет на эти решения, извлекая соответствующие вероятности из данных. Ранние версии систем поддержки принятия медицинских решений основывались на суждениях, основанных на правилах, полученных из базы данных клинических знаний. Однако процесс должен был быть более понятным, а модели — более безопасными для практического использования.

Несмотря на то, что клинические результаты и заболевания отдельных лиц немного различаются, современные модели поддержки принятия решений стремятся выявить клинически значимые связи, которые можно обобщить на других пациентов. Например, в электронных медицинских картах 10 806 человек с сахарным диабетом алгоритм K-ближайших соседей использовался для прогнозирования препарата или комбинации методов лечения, которые оптимизируют гликемический контроль. В 68% посещений этот алгоритм правильно предсказал курс терапии, а в тех случаях, когда это не так, ожидалось, что прогнозируемый курс лечения приведет к лучшему гликемическому контролю, чем курс лечения, который был предоставлен.

Понимание отношений между медицинскими концепциями имеет решающее значение для систем поддержки принятия решений; однако в электронных медицинских картах большинство взаимосвязей и полезной информации содержится в неструктурированных клинических заметках и требует дополнительного форматирования. Извлечение статистических связей между важными категориями, такими как заболевания и симптомы, — это простой способ получить доступ к огромному количеству данных в неструктурированной медицинской информации. Вероятности одновременного возникновения различных заболеваний были рассчитаны и предоставлены общественности с использованием 14 миллионов клинических записей 160 000 пациентов.

Основными недостатками этих методов являются смешанные отношения в данных наблюдений, ограничения на среду, в которой возникают ассоциации, а также ограничения на конфиденциальность и конфиденциальность, которые препятствуют обмену данными, из которых были получены эти корреляции. Системы помощи в принятии клинических решений в конечном итоге, вероятно, будут полагаться на абстрагирование корреляций между переменными в электронных медицинских данных, включая клинические заметки в произвольном тексте.

Обработка естественного языка

Структура «якорь и изучай» — это потенциальный метод максимизации разнородной и нестандартизированной информации в свободном тексте в электронных медицинских записях. Якорь — это часть данных с существенной положительной прогностической ценностью для признака, используемого в этой структуре для создания набора данных положительных случаев. Методы машинного обучения могут автоматически изучать более подробное представление интересующего фенотипа, находя черты в клинических записях пациентов, у которых есть фенотип, но не в клинических записях других пациентов.

Несмотря на то, что обработка естественного языка все еще не подходит для широкой клинической практики, недавние разработки вселяют оптимизм в отношении ее потенциального будущего применения клинически значимыми способами. В 2017 году исследовательская группа Google узнала о недостатках рекуррентных нейронных сетей, включая их последовательную структуру и сложность изучения корреляций между словами, которые находятся далеко друг от друга. Они предложили другой подход к анализу естественного языка, который использует механизмы внимания с несколькими головками (преобразователи), которые могут изучать зависимости независимо от интервала между словами в тексте и обеспечивать распараллеливание, повышая скорость вычислений. Контекст в языке исходит из текста до и после любого слова; поэтому команда Google AI поняла, что языковое представление ограничено, если они учатся из текста до этого момента. Они добавили к преобразователям, случайно маскируя 15% слов и предсказывая слово на основе слов, которые были до и после маскирования. Кроме того, они пытались предугадать следующее предложение текста, используя либо фактическое следующее предложение, либо случайно выбранное предложение из другой части текста.

Значительный прогресс в обработке естественного языка, модель представления двунаправленного кодировщика из преобразователей (BERT) превзошла людей в 11 отдельных задачах обработки естественного языка. Однако, поскольку модель BERT была разработана для материала общего назначения, она может не работать в текстах, включая контекст и термины, специализированные для биомедицинской области.

Автоматическое обнаружение закономерностей в электрофизиологических кривых

Клинически значимая ЭКГ (для проверки различных сердечных заболеваний электрокардиограмма (ЭКГ или ЭКГ) измеряет электрический сигнал от сердца). Результаты можно интерпретировать с помощью электрофизиологических записей, таких как ЭКГ и ЭЭГ. Нейронная сеть с площадью под кривой (AUC) > 0,9 точно классифицировала 10 клинически значимых отклонений ЭКГ из 91 232 ЭКГ в одном отведении от 53 549 пациентов. Производительность этой модели была на уровне или лучше, чем у среднего кардиолога, несмотря на отсутствие каких-либо преобразований Фурье или вейвлет-преобразований. Глубокое обучение постепенно внедряется в программное обеспечение для ЭКГ, и ожидается, что в скором времени он автоматизирует важные аспекты интерпретации ЭКГ. Интерпретация ЭЭГ людьми является дорогостоящей, поскольку требует времени и ресурсов. Университеты и частные предприятия предпринимают эффективные попытки автоматизировать интерпретацию ЭЭГ.

Однако из-за присущих ЭЭГ свойств (низкое отношение сигнал/шум и нестационарный сигнал) и логистических трудностей область автоматической интерпретации ЭЭГ по-прежнему ограничена. В последнее время количество и масштаб репозиториев ЭЭГ выросли, что дает лучшие результаты. Сверточная нейронная сеть может идентифицировать эпилептиформную активность лучше, чем отраслевой стандарт. С использованием того же метода было классифицировано 13 959 эпилептиформных разрядов от 46 пациентов с эпилепсией с внутричерепным мезиальным височным мониторингом данных ЭЭГ.

Машинное обучение по-прежнему используется для облегчения работы человека-рецензента путем выбора сегментов, которые с высокой вероятностью содержат межприступные эпилептиформные разряды, поскольку полностью автоматизированная система еще не подходит для практического использования. ЭЭГ должна интегрировать разнообразный набор функций вместо ЭКГ, которая может обеспечить приемлемую производительность за счет выявления нескольких типичных функций и записи заранее определенных временных интервалов. Глубокое обучение особенно хорошо подходит для извлечения обобщающих признаков у разных пациентов.

Глубокое обучение для классификации и сегментации изображений

Сверточные нейронные сети (CNN) — это тип модели глубокого обучения, особенно успешный в медицинских областях, которые в значительной степени зависят от изображений, таких как радиология, патология, офтальмология и дерматология. Эти сети используют специальные фильтры для обнаружения соответствующих особенностей изображений, таких как границы или узоры.

CNN автоматически находят наиболее важные функции в изображениях, упрощая классификацию изображений и снижая нагрузку на людей. Они представляют данные таким образом, который подходит для конкретных задач и может быть адаптирован для других целей. Эти модели также могут находить сложные связи, которые людям может быть сложно заметить. Например, модель глубокого обучения предсказывала факторы риска сердечно-сосудистых заболеваний, просто анализируя фотографии сетчатки. Это показывает, что глубокое обучение может выявить важные идеи, которые люди могут упустить из-за сложности данных.

Исходные сверточные нейронные сети

Сверточные нейронные сети, созданные Лекуном и его коллегами в 1990-х годах, превзошли передовые методы автоматического чтения рукописных цифр. Эти сети использовались в коммерческих целях для декодирования почтовых индексов и чтения рукописных цифр. Используя общедоступные аннотированные изображения из программ анализа образов, статистического моделирования и вычислительного обучения (PASCAL) и крупномасштабных задач визуального распознавания ImageNet, перед сообществами машинного обучения и компьютерного зрения была поставлена ​​задача создать модели, которые автоматически идентифицировали классы объектов. Сверточные нейронные сети быстро развивались, становясь глубже, быстрее и точнее с каждым годом после того, как AlexNet, простая сверточная нейронная сеть с восемью слоями, выиграла конкурс ImageNet и вдвое сократила количество ошибок классификации.

Более глубокие сверточные нейронные сети

Более глубокие сверточные нейронные сети работали лучше и предлагали более точные представления данных. AlexNet, GoogleNet и ResNet, чемпионы конкурса ImageNet, появились потому, что добавили в свои сети больше уровней. Архитектурные усовершенствования позволили повысить производительность без увеличения затрат на обучение или требований к вычислительным ресурсам. В то время как остаточные сетевые проекты, такие как ResNet, представляют собой ансамбли неглубоких классификаторов, архитектуры разделения-преобразования-слияния, такие как GoogleNet и Inception, выполняют параллельные вычисления. Сверточные нейронные сети теперь могут распознавать объекты с большей точностью, чем люди, решая проблемы распознавания классов объектов PASCAL и ImageNet.

Более глубокие сверточные нейронные сети

Полностью сверточные нейронные сети реконструируют исходное изображение, сегментируя каждый объект, используя модель глубокого обучения для изучения абстрактных представлений данных в более низких измерениях. Эти сети изучают соответствующую информацию, используя метод понижения дискретизации, а затем объединяют эти функции для прогнозирования пикселей, используя метод повышения дискретизации. Полностью сверточные сети начинались с одинакового количества слоев как для повышающей, так и для понижающей дискретизации, но со временем они улучшались с меньшим количеством слоев. Эти сети полезны в медицине, потому что они помогают идентифицировать и определять границы ключевых элементов изображения.

Глубокое обучение для нейровизуализации

Глубокое обучение может революционизировать клинические рабочие процессы за счет повышения точности клинических данных. Его можно использовать для различных задач в здравоохранении, таких как классификация КТ головы, выявление острых аномалий и прогнозирование развития поражения. Эта технология может помочь расставить приоритеты в неотложных случаях, что приведет к более быстрому принятию клинических решений для пациентов в критическом состоянии. Алгоритмы глубокого обучения также могут выступать в качестве подстраховки, помогая обнаруживать церебральные аневризмы, которые рентгенологи могут пропустить. Они могут быть экономически эффективными альтернативами сегментации человека при фМРТ-сканировании, позволяющей различать аномальные поражения головного мозга и нормальные структуры. Однако использование глубокого обучения в нейровизуализации ограничено потребностью в большем количестве данных, особенно для редких неврологических состояний. Максимальное использование доступных данных возможно с использованием таких стратегий, как трансферное обучение и увеличение данных. Несбалансированность данных сложна для глубокого понимания, но такие методы, как ворота внимания и асимметричные функции потерь, могут решить эту проблему.

Интерпретация моделей глубокого обучения может быть сложной из-за сложных взаимодействий в скрытых слоях. Эти модели иногда называют «черными ящиками», поскольку процесс принятия решений в них не полностью прозрачен. Тем не менее, они могут дать ценную информацию о данных, которую традиционные модели могут упустить из виду. Одной из проблем глубокого обучения является возможность изучения неточных корреляций или смещений из обучающих данных. Эти проблемы могут быть решены в интерпретируемых моделях, но, возможно, их следует учитывать в неинтерпретируемых, таких как нейронные сети. Клиницисты предпочитают открытые модели, которые могут объяснить их решения. Такие методы, как карты активации классов с градиентным взвешиванием и карты значимости, дают представление о том, как сверточные нейронные сети достигают своих классификаций.

Будущее машинного обучения в медицине

Модели машинного обучения, которые были модифицированы из немедицинских секторов

Глубокое обучение и машинное обучение все чаще используются в немедицинских секторах, таких как веб-поиск, языковой перевод и рекомендации контента. Эти модели могут значительно продвинуть медицину, выявляя банкротства, прогнозируя терапевтические результаты и рекомендуя товары или услуги на основе общих интересов в различных измерениях. Системы рекомендаций используют большие базы данных для поиска наиболее эффективных методов лечения пациентов с учетом их медицинских характеристик.

Глубокое обучение имеет усовершенствованную обработку естественного языка, обеспечивая плавный языковой перевод и точное представление лингвистической структуры и элементов. Эти разработки могут извлекать полезные представления и абстракции данных из клинических записей в свободном тексте, наиболее полного источника данных в электронных медицинских картах. Поскольку машинное обучение и глубокое обучение имеют так много применений за пределами здравоохранения, они являются полезными инструментами для развития медицины.

Обучение с подкреплением

Искусственный интеллект потенциально может улучшить клиническую медицину, но есть некоторые опасения. Подходы к машинному обучению часто фокусируются на прогнозировании результатов, которые могут быть эффективны для простых проблем, но могут лишь частично отразить сложность принятия клинических решений. Одна стратегия обучения с подкреплением позволяет агентам ИИ изучать лучшие действия, экспериментируя и получая вознаграждение. Этот метод полезен, когда неясно, как лучше поступить, и можно учиться на неоптимальных примерах. Примером обучения с подкреплением в медицине является создание индивидуальных планов лечения пациентов с сепсисом с использованием данных из больших баз данных отделений интенсивной терапии. Внедрение обучения с подкреплением в клиническую практику может привести к значительному прогрессу в использовании ИИ в медицине.

Новые приложения искусственного интеллекта в нейроонкологии

ИИ — это отрасль науки о данных, которая включает в себя системы, основанные на правилах, с явными инструкциями и алгоритмами, которые учатся на данных без определенных правил. Машинное обучение — это часть науки о данных, которая без явного программирования позволяет компьютерам учиться на примерах и делать прогнозы. Глубокое обучение, недавнее достижение, основано на нейронных сетях и подает большие надежды. Radiomics использует данные визуализации в качестве биомаркеров для изучения различных состояний в медицинских исследованиях. Напротив, исследования нейроонкологической визуализации на основе ИИ сосредоточены на понимании сложных опухолей головного мозга и нервной системы для улучшения результатов лечения пациентов.

Радиомика в нейроонкологии

Radiomics использует клинические изображения для создания количественных биомаркеров визуализации. Процесс включает в себя сегментацию поражений на изображениях и последующую их предварительную обработку. Также используются другие методы, такие как глубокое обучение и ручная маркировка. Традиционное машинное обучение извлекает количественные характеристики, такие как форма, размер и интенсивность. Алгоритмы машинного обучения затем анализируют эти функции, чтобы найти важные взаимосвязи и предсказать важную информацию об опухоли для принятия решений о лечении. Методы глубокого обучения в нейроонкологии позволяют делать более точные прогнозы без явного выбора или сокращения признаков.

Современные методы нейроонкологической визуализации

Нейроонкологические исследования в основном сосредоточены на диффузных глиомах, которые Всемирная организация здравоохранения (ВОЗ) классифицирует как глиомы более низкой степени злокачественности и глиобластомы. Глиобластома, опухоль IV степени, является наиболее опасной первичной опухолью головного мозга с неблагоприятным прогнозом. Другие типы опухолей головного мозга включают опухоли I степени по ВОЗ, опухоли ЦНС у детей, первичные лимфомы ЦНС и метастазы в головной мозг. МРТ является основным инструментом для обнаружения и характеристики опухолей головного мозга благодаря превосходному контрасту мягких тканей. Однако обычные последовательности МРТ недостаточно специфичны для точного обнаружения инфильтрации опухоли. Передовые методы МРТ используются для классификации глиом и оценки инфильтрации опухоли, включая диффузионно-взвешенную визуализацию, диффузионно-тензорную визуализацию, контрастное усиление с динамической взвешенной восприимчивостью, динамическое усиление контраста и МР-спектроскопию. Однако разнообразие оборудования, методов визуализации и методов анализа затрудняет точную количественную оценку результатов.

Нейроонкология с использованием геномики и радиогеномики

В диффузных глиомах более 60 генетических изменений усложняют процесс диагностики и лечения. Понимание этих биологических путей имеет решающее значение для разработки более эффективных методов диагностики и более точного лечения. В последнее время молекулярные маркеры используются для создания интегрированных диагнозов, и одним из примеров является категоризация подтипов глиобластомы на основе мутаций изоцитратдегидрогеназы. Радиогеномика - это метод, который сопоставляет особенности визуализации с генетическими, мутационными и экспрессионными паттернами. Это помогает динамически контролировать микроокружение опухоли во время лечения. Однако необходимы дополнительные исследования, чтобы полностью понять взаимосвязь между паттернами экспрессии генов и радиомикой при глиомах. Тем не менее, радиогеномика глиомы уже добилась прогресса в описании радиомных признаков, связанных с потенциальными генетическими изменениями.

Возможные генетические модификации

Глиобластомы часто формируются из глиом более низкой степени злокачественности и имеют специфические генетические мутации, такие как IDH1 и IDH2, в 70-80% случаев. МР-спектроскопия может обнаруживать D-2-гидроксиглутарат в мутантных глиомах IDH. Биомаркеры визуальной визуализации, такие как нечеткие поля и несоответствие T2-FLAIR, могут эффективно различать мутантные IDH и опухоли дикого типа IDH, при этом точность CNN на изображениях МРТ достигает 92%. Гиперметилирование промотора гена MGMT, обнаруженное в некоторых глиомах, связано с лучшим прогнозом и может быть предсказано с точностью до 88% с использованием методов радиомикроскопии и машинного обучения. Мутации EGFR, особенно EGFRvIII, часто встречаются при глиобластомах. Коделеция 1p/19q в глиомах более низкой степени злокачественности в сочетании с мутацией IDH связана с благоприятным прогнозом, при этом CNN демонстрируют 93% точность в определении специфических признаков на изображениях FLAIR.

Радиогеномные подходы на системном уровне

Исследователи использовали радиогеномный подход на системном уровне, чтобы понять, как радиометрические индикаторы (характеристики, полученные с помощью медицинской визуализации) связаны с глобальными паттернами экспрессии генов в различных опухолях. В одном исследовании изучалась связь между модулями экспрессии генов и паттернами МРТ, определенными нейрорадиологами. Они обнаружили, что определенные особенности визуализации могут указывать на активацию определенных программ экспрессии генов.
В другом исследовании анализы геномных путей сравнивались с объемными характеристиками опухоли. Они заметили, что объем опухоли и отек были связаны со специфическими клеточными путями, связанными с гомеостазом и клеточным циклом. Напротив, пути некроза были связаны с иммунным ответом и клеточными путями апоптоза, и наоборот.

В другом исследовании с участием 29 пациентов исследователи изучили корреляцию между рентгенологическими характеристиками глиом и специфическими генными мутациями (TP53, PTEN и EGFR). Они обнаружили, что текстурный анализ радиомных признаков дает отчетливые сигнатуры экспрессии генов, связанные с этими мутациями и различными радиомными частями.

Прогнозирование в нейроонкологии и радиометрическое прогнозирование прогноза

Клинический прогноз при опухолях зависит от гистологической степени опухоли и таких факторов пациента, как возраст, пол и функциональное состояние. Тем не менее, функции визуализации и радиометрические показатели, которые могут отражать основные биологические процессы и исходы опухоли, еще предстоит широко использовать в клинических прогностических моделях. могут предсказывать результаты лечения пациентов лучше, чем только клинические модели. В некоторых исследованиях сочетались клинические, визуализационные и генетические переменные для создания моделей, основанных на правилах, с наивысшей прогностической точностью у пациентов с TCIA.

Методы машинного обучения с использованием мультипараметрических МРТ-изображений также использовались для прогнозирования выживаемости пациентов. Эти методы идентифицировали специфические особенности, указывающие на неблагоприятный прогноз, такие как объем, форма, текстура и вейвлет-функции. Другая модель, основанная на машинах опорных векторов, достигла точности до 80% в прогнозировании групп выживания с использованием признаков, связанных с объемом опухоли, ангиогенезом, перитуморальной инфильтрацией, плотностью клеток и расстоянием до желудочков. Эти передовые методы визуализации обещают улучшить нашу способность прогнозировать результаты лечения пациентов с опухолями.

Радиометрические подходы системного уровня для прогнозирования

Биология глиом была принята во внимание при разработке новых групп радиомных признаков с использованием неконтролируемых подходов машинного обучения. Например, при исследовании 121 солитарной глиобластомы исследователи обнаружили многоочаговые, сферические кластеры и кластеры, усиливающие ободок. Эти кластеры были дополнительно подтверждены у 144 пациентов из разных учреждений, и их результаты выживания показали значительные различия.
В другом исследовании с участием 208 пациентов с глиобластомой использовался полный набор признаков и неконтролируемая многомерная кластеризация для выявления родственных подтипов. Эти подгруппы имели разные показатели выживаемости, при этом подгруппа с усилением обода показала наилучшую выживаемость. Однако для обеспечения надежности и надежности этих первоначальных подгрупп необходимы более обширные размеры выборки и проверка.

Оценка ответа на лечение в нейроонкологии

Клиническая оценка ответа

Оценка ответа на лечение при опухолях головного мозга может быть затруднена явлением, называемым псевдопрогрессированием. Это происходит при развитии аномальных сигналов на изображениях T2/FLAIR вместе с дополнительными областями усиления после комбинации лучевой и химиотерапии. Псевдопрогрессия чаще встречается в опухолях с мутациями IDH и метилированием MGMT. Кроме того, антиангиогенные препараты, такие как бевацизумаб, могут привести к псевдоответу, при котором усиление уменьшается, но инвазирующие компоненты опухоли продолжают прогрессировать.
Первоначально критерии Макдональда учитывали только размер усиливающих признаков для оценки ответа. Тем не менее, критерии оценки ответа для нейроонкологии (RANO) были обновлены и теперь включают не усиливающие T2/FLAIR аномалии интенсивности сигнала и изменения в усиливающей ткани для повышения точности.

Тем не менее, у RANO есть некоторые ограничения, поскольку он основан на произвольных двумерных измерениях и не включает передовые технологии визуализации, такие как МРТ-спектроскопия, визуализация тензора диффузии и визуализация перфузии. Кроме того, разнообразные воспалительные реакции, вызванные новыми иммунотерапевтическими препаратами, могут еще больше усложнить оценку ответа. Критерии RANO направлены на учет псевдопрогрессирования, связанного с иммунологическим воспалением.

Рентгенологический прогноз псевдопрогрессии и прогрессии

Диагностическая проблема отделения фактического прогресса от псевдопрогресса по-прежнему вызывает серьезную озабоченность, и методы ИИ хорошо приспособлены для этой работы. Оценка методов усиления контраста, взвешенных по динамической восприимчивости, и визуализация, взвешенная по диффузии, с помощью радиометрических исследований имела некоторый успех. Способность прогнозировать псевдопрогрессирование с помощью методов машинного обучения, сочетающих несколько показателей из обоих подходов, также оказалась успешной. Предыдущие исследования определяли псевдопрогрессирование с помощью долгосрочного клинического и рентгенологического наблюдения. Тем не менее, гистологический анализ повторных резекций часто выявляет слияние изменений, связанных с лечением, и рецидивирующих или остаточных опухолей.

Рентгенологические прогнозы инфильтрации и рецидива

Идентификация краев инфильтративной ткани на предоперационных МРТ-изображениях с помощью методов машинного обучения может помочь в планировании лучевой терапии, локализованных биопсий и расширенных хирургических резекций. Карты FLAIR и кажущегося коэффициента диффузии можно использовать для прогнозирования мест будущего рецидива опухоли с использованием модели логистической регрессии на основе вокселей. После регистрации областей рецидивов глиобластомы на предоперационных МРТ, Akbari et al. разработал многомерный метод опорных векторов, который сочетает в себе информацию как от традиционных, так и от передовых методов МРТ. С перекрестной точностью около 90% этот метод создает прогностические географические карты инвазированных перитуморальных тканей. Чанг применил полностью автоматизированный подход к регистрации участков биопсии у 36 пациентов с использованием CNN и нейронавигационного перекрестия.

Этот метод позволил получить неинвазивные карты плотности клеток, которые помогли обнаружить инфильтративные края глиомы. Эти методы обещают создать неинвазивные инструменты для стратификации пациентов в клинических испытаниях и направить более агрессивную терапию. Для пациентов, которые только что перенесли начальную резекцию, метод Akbari et al. уже вдохновил на клиническое исследование с усиленным облучением областей инфильтративной опухоли.

Оценка ответа на лечение в нейроонкологии

Подходы машинного обучения использовались для решения сложных диагностических ситуаций и повышения точности и эффективности лечения различных опухолей ЦНС, таких как метастазы в головной мозг и лимфома ЦНС. Трехмерные CNN оказались эффективными в выявлении и локализации метастазов в головной мозг, помогая в планировании стереотаксической лучевой терапии. Различие между метастазами в головной мозг, первичной лимфомой ЦНС и глиобластомой может быть затруднено с использованием традиционных клинических и визуализирующих методов. Исследователи разработали деревья решений и модели логистической регрессии, используя передовые методы визуализации, такие как диффузионно-тензорная визуализация и динамическая взвешенная по восприимчивости МРТ с контрастным усилением, чтобы различать эти объекты.

В некоторых случаях у пациентов диагностируют метастазы в головной мозг, не зная первичной локализации рака. В этих сценариях применялись алгоритмы машинного обучения, использующие молекулярные вариации и их влияние на окружающую ткань для определения различных радиомологических свойств. Например, модель случайного леса использовалась для различения метастазов в мозг, возникающих в результате рака легких, меланомы и молочной железы, на основе анализа текстуры последовательностей МРТ.

Перспективы и проблемы ИИ в нейроонкологической визуализации

ИИ также имеет большой потенциал для мониторинга стандартных и новых методов лечения, таких как иммунотерапия. Хотя сложные воспалительные реакции, наблюдаемые при иммунотерапии, потребуют дальнейшей проверки моделей ИИ, которые могли бы отслеживать эти новые методы лечения, они могут быстро определять эффективность лечения, что позволяет проводить динамическую корректировку во время лечения. В связи с этим методы искусственного интеллекта, применяемые к усовершенствованной визуализации, могут в конечном итоге предложить персонализированное прогнозирование ответа на лечение, превосходящее существующие методы.

Проблемы

В радиологии ИИ сталкивается с такими проблемами, как высококачественные наземные достоверные данные, обобщаемые и интерпретируемые методы, а также ориентированная на пользователя интеграция рабочего процесса. Однако опасения по поводу «черного ящика» алгоритмов ИИ уменьшились с развитием таких методов, как карты значимости и анализ основных компонентов. Лучшее понимание паттернов признаков и лежащей в их основе биологии будет полезно для клинического признания и улучшения биологической и лечебной значимости паттернов, выявленных этими методами. Одной из основных проблем в исследованиях ИИ является доступность больших, хорошо аннотированных наборов данных.

Тем не менее, большинство доступных данных по-прежнему должны быть разрознены в рамках отдельных учреждений и больничных систем. Для улучшения алгоритмов могут потребоваться более крупные и более разнородные наборы данных, при этом обмен данными между учреждениями является важным компонентом. Другие способы улучшения наборов данных включают статистические методы для согласования наборов данных и принятия стандартизированных протоколов визуализации нейроонкологии в разных учреждениях. Интересно, что новые методы глубокого обучения, такие как генеративно-состязательные сети, показали себя многообещающими в повышении производительности за счет создания синтетических данных.

Еще одним препятствием для разработки более надежных нейроонкологических алгоритмов визуализации и радиомики является отсутствие четких, целевых «вариантов использования» или конкретных задач, с которыми можно сравнить их эффективность. Измеренная производительность отдельных алгоритмов в значительной степени зависит от задачи, зависит от набора данных и сильно зависит от конкретного научного вопроса, что ограничивает сравнение различных алгоритмов, разработанных другими группами. Институт науки о данных Американского колледжа радиологии помогает определить стандартные варианты использования, инструменты аннотирования и наборы данных, которые должны помочь в стандартизации и сравнительном анализе, применимом к академическим занятиям и коммерческим предприятиям.

Пути к клинической реализации

Алгоритмы искусственного интеллекта становятся все более популярными в исследованиях, но есть проблемы с их эффективным использованием в клинических условиях. Эти инструменты должны быть удобными для пользователя и легко интегрироваться в рабочие процессы рентгенолога. Некоторые процессы по-прежнему требуют ручной работы, что приводит к задержке результатов. Чтобы решить эту проблему, предпринимаются усилия по разработке инструментов, которые могут легко распространять и переводить эти методы с использованием платформ с открытым исходным кодом.

Конечной целью является создание полностью автоматизированной системы, способной анализировать изображения в режиме реального времени и предоставлять точные диагностические отчеты. Эта система может определить вероятность того, что поражение является конкретной опухолью, и предложить соответствующие процедуры визуализации и персонализированные варианты лечения. Благодаря продвинутому глубокому обучению он также может отслеживать ход лечения в режиме реального времени, что делает здравоохранение более точным. На данный момент радиолог-кентавр будет объединять данные из изображений, инструментов ИИ и медицинских карт для повышения точности, пока ИИ не станет рутинной частью медицинской практики.

Недавние достижения в области глубокого обучения произвели революцию в том, как мы обрабатываем изображения, и вызвали новый интерес к использованию искусственного интеллекта в медицине. Несмотря на проблемы, ИИ неуклонно развивается и предлагает ценные решения различных медицинских проблем. Модели глубокого обучения активно интегрируются в клинические процессы обработки изображений, и в будущем обработка естественного языка будет играть более значимую роль в медицине. Однако создание сложных систем принятия решений, напоминающих человеческое мышление, посредством обучения с подкреплением — все еще далекая цель. Основная цель этого исследования - улучшить результаты лечения пациентов с новообразованиями ЦНС за счет улучшения диагностических и терапевтических подходов. Технологии искусственного интеллекта используются для создания моделей прогнозирования с использованием клинических, радиомикроскопических и геномных данных, что демонстрирует многообещающий потенциал для разработки персонализированных методов лечения. Чтобы полностью реализовать этот потенциал, необходимо преодолеть препятствия и проделать большую работу. По мере развития технологии искусственного интеллекта она сильно повлияет на точность и производительность рентгенологов, изменив их практику. Будущие радиологи должны понимать и эффективно использовать эти мощные инструменты, поскольку в ближайшие годы они станут более интегрированными в клиническую практику.

Исходное сообщение: https://meetmaya.world/neuroscience-on-ai-personalization-and-ml/

Для получения дополнительной информации см. здесь:

  1. Границы
  2. СайнсДирект
  3. ДЖСТОР
  4. РСНА
  5. СайнсДирект
  6. "НАЦИОНАЛЬНЫЕ ИНСТИТУТЫ ЗДРАВООХРАНЕНИЯ США"
  7. Границы
  8. Технологические сети
  9. "Думают одинаково"
  10. БМК
  11. Вайли