深度学习和radiomics允许精确的脑部肿瘤的分化

原发肿瘤和转移之间的区别可以快速、准确地使用radiomics和深度学习算法在脑部肿瘤。这是研究的关键信息从卡尔·兰德斯泰纳大学健康科学(KL期)发表在代谢物。这表明磁resonance-based放射肿瘤O的数据₂新陈代谢歧视使用神经网络提供了很好的依据。

这种组合的所谓的“氧代谢radiomics”通过特殊的人工智能与分析显然优于人类专家评估的所有基本标准。这是让人更加印象深刻,因为必要的氧值之间没有显著差异肿瘤类型不过——神经网络能够明确区分的基础上,这些值。

胶质母细胞瘤,原发肿瘤和脑转移是最常见的类型的脑部肿瘤在成人。治疗必须完全不同,因此快速诊断和明确的临床结果的影响。然而,他们的区别是很困难的,因为它们是很难区分古典磁共振(MR)图像。

这是不同的,所谓physio-metabolic先生,创纪录的代谢过程肿瘤组织。然而,这提供了大量的数据,在常规诊断需要评估其使用人工智能。其可靠性正在证明了KL的Andreas Stadlbauer教授领导的研究小组使用专门研制的深度学习算法和MR-based秀丽数据O₂肿瘤代谢的两个类型。

机器与人类

“事实上,我们的方法成功地实现肿瘤类型之间的差别比人类专家能够实现相比,“Stadlbauer教授说,总结国际研究的结果。医学物理学家中央研究所医学放射学诊断在圣波尔滕大学医院,教学和研究的KL期仍在继续:“等所有重要的区分标准的准确性、敏感性、特异性和精确度,MR-based氧数据的评价我们的特殊神经网络优于放射科医生。这种方法也比人类评估统计评估如f值和AUROC。”

测量是基于所谓的“卷积神经网络”(CNN)专门开发的团队。这是一种特殊形式的人工神经网络是专为机器学习和图像的处理音频数据和生物过程的模拟部分。作为研究的一部分,CNN被训练使用肿瘤数据从广泛的数据库在圣波尔滕大学医院,随后用于分析MR-based新患者的氧含量。

明确分化尽管细微的差别

氧值期间收集的研究包括脑氧营业额(CMRO₂)和线粒体氧气饱和度(mitoPO₂细胞能量营业额),它提供了信息。Stadlbauer教授说:“有趣的是,这两个参数的均值和中位数之间显著不同肿瘤类型但尽管如此,我们的CNN设法明显区分这两种肿瘤类型。”

研究显示大诊断结合这两种方法的潜力。然而,事实上,O的辐射数据₂新陈代谢仍只用于日常临床实践中一个非常有限的范围内。Stadlbauer教授和他的团队想要改变这一切,因此已经计划一个更广泛的研究不仅证实现在收集的数据,但也会使用更接近临床常规的方法。

Stadlbauer教授解释说,“在当前的研究中,一些手动步骤还需要准备数据分析。这是临床常规耗时太长,也限制了不同机构之间的可比性。因此,我们计划使用CNN在这个阶段。”

都成功地完成了学习计划和学习最佳展示的研究焦点KL肿瘤学领域的秀丽。总是把重点放在潜在的新方法的临床效益是一致的基础研究的结果。