Классификация опухолей головного мозга — и, следовательно, выбор оптимальных вариантов лечения — может стать более точной и точной благодаря использованию искусственного интеллекта в сочетании с физиологической визуализацией. Это результат обширного исследования, опубликованного в журнале Cancers и проведенного Университетом медицинских наук имени Карла Ландштейнера (KL Krems). Многоклассовые методы машинного обучения использовались для анализа и классификации опухолей головного мозга с использованием физиологических данных магнитно-резонансной томографии. Затем результаты были сопоставлены с классификациями, сделанными экспертами-людьми. Было установлено, что искусственный интеллект превосходит, в частности, в таких областях, как точность, точность и неправильная классификация, в то время как профессионалы показали лучшие результаты в чувствительности и специфичности.

Опухоли головного мозга можно легко обнаружить с помощью магнитно-резонансной томографии (МРТ), но их точная классификация затруднена. Тем не менее, именно это имеет решающее значение для выбора наилучших возможных вариантов лечения. Теперь международная команда под руководством К.Л. Кремса использовала данные современных методов МРТ в качестве основы для протоколов машинного обучения (ML) и оценила использование искусственного интеллекта для классификации опухолей головного мозга. Они обнаружили, что в определенных областях классификация с использованием искусственного интеллекта может быть лучше, чем классификация, выполняемая обученными специалистами.

Больше МРТ, больше данных

Команда, возглавляемая проф. Андреас Штадльбауэр, научный сотрудник Центрального института медицинской радиологической диагностики Университетской больницы Санкт-Пельтен, использовал для исследования как современные, так и физиологические данные МРТ. Оба метода дают более глубокое представление о структуре и метаболизме опухоли головного мозга и позволяют в течение некоторого времени проводить более точную классификацию. Но цена, которую приходится платить за такую дифференцированную картину, - это огромные объемы данных, которые необходимо квалифицированно оценить. "Теперь мы проанализировали, может ли и как искусственный интеллект, использующий ML, быть включен для поддержки подготовленных специалистов в этой титанической задаче", - объясняет профессор. Штадльбауэр. "И результаты очень многообещающие. Когда дело доходит до точности, точности и избежания неправильной классификации, искусственный интеллект может хорошо классифицировать опухоли головного мозга, используя данные МРТ ".

Чтобы добиться впечатляющего результата, команда обучила девять известных мультиклассических алгоритмов ML данным МРТ от 167 предыдущих пациентов, у которых была одна из пяти наиболее распространенных опухолей головного мозга и была проведена точная классификация с использованием гистологии. В общей сложности в рамках сложного протокола было сгенерировано 135 так называемых классификаторов. Это математические функции, которые распределяют исследуемый материал по определенным категориям. "В отличие от предыдущих исследований, мы также приняли во внимание данные физиологической МРТ", - объясняет профессор. Штадльбауэр. "Это включало подробную информацию о сосудистой архитектуре опухолей и образовании ими новых сосудов, а также о снабжении опухолевой ткани кислородом".

Радиофизиономика

Команда назвала комбинацию данных различных методов МРТ с мультиклассовым ML "радиофизиомикой". Этот термин, вероятно, быстро войдет в обиход, поскольку потенциал этого подхода стал очевиден во второй части проекта, на этапе тестирования. В этом случае обученные мультиклассовые алгоритмы ML были снабжены соответствующими данными МРТ от 20 текущих пациентов с опухолями головного мозга, и результаты полученных таким образом классификаций были сопоставлены с результатами двух сертифицированных радиологов. Таким образом, два лучших алгоритма ML (называемых "адаптивным повышением" и "случайным лесом") превзошли результаты оценки человеком в области точности и точности. Кроме того, эти алгоритмы ML привели к меньшей ошибочной классификации, чем у профессионалов (5 против 6). С другой стороны, когда дело дошло до чувствительности и специфичности оценки, оценки людей оказались более точными, чем тестируемые ИИ.

"Это также проясняет ситуацию", - говорит проф. Штадльбауэр, "что подход к ОД не должен заменять классификацию квалифицированным персоналом, а скорее дополнять ее. Кроме того, время и усилия, необходимые для такого подхода, в настоящее время все еще очень высоки. Но это открывает возможность, потенциал которой следует использовать в дальнейшем для повседневного клинического использования". В целом, это исследование еще раз демонстрирует направленность исследований KL Krems на фундаментальные результаты, имеющие реальную клиническую ценность.

ИСТОЧНИК