La inteligencia artificial (IA) muestra una gran promesa de analizar e identificar las muestras que los observadores humanos pueden recordar. Una interpretación escaneada de cerebro soportado por IA puede ayudar a mejorar el cuidado de los niños con tumores del cerebro, llamados glomas, que son comúnmente tratables pero varían con riesgo de repetición. Boston Children’s Hospital y Dana Furber/Boston El Centro de Cáncer y Trastornos de la sangre del Niños Berghyam y sus colegas investigadores capacitaron algoritmos de aprendizaje profundo para analizar escaneos mentales y pacientes con bandera después del tratamiento. Han aparecido en sus resultados New England Journal of Medicine AI.
“Muchos glomés pediátricos son tratables solo con cirugía, pero cuando se recuperan, pueden ser desastrosas”, dijo Madison en Madison en Madison (AIM), MD, MD, MD y Bergham and Women’s Hospital. “Es muy difícil predecir quién puede estar en riesgo de repetición, por lo que los pacientes han sido seguidos repetidamente con imágenes de resonancia magnética (MR) durante muchos años, el proceso que puede ser estrés y carga para los niños y las familias. Necesitamos mejores herramientas para identificar la piel.
Las enfermedades relativamente raras, como el cáncer pediátrico, pueden ser desafiadas a través de datos limitados. El estudio, que fue proporcionado parcialmente por los Institutos Nacionales de Salud, aprovechó la asociación organizacional en todo el país para recolectar alrededor de 4,000 escaneos de RM de 715 pacientes pediátricos. La IA puede “aprender” de los escaneos cerebrales del paciente, y para predecir con mayor precisión la predicción de la repetición que los investigadores utilizaron una técnica llamada aprendizaje temporal, que entrena el modelo para sintetizar los resultados obtenidos de numerosos escaneos cerebrales durante la cirugía después de varios meses.
En general, el modelo AI para imágenes médicas está entrenado para sacar conclusiones de escaneos individuales. Con la educación temporal, que no se usó previamente para la investigación de IA de imágenes médicas, las imágenes obtenidas con el tiempo son conscientes de la predicción de los algoritmos de repetición del cáncer. El desarrollo del modelo de aprendizaje mundial, los investigadores primero entrenaron al modelo para establecer los escaneos de la cirugía MR después de un paciente en un orden histórico para que el modelo pudiera aprender a reconocer los cambios exactos. A partir de ahí, los investigadores tienen que conectar adecuadamente el modelo a la conexión adecuada del cáncer con la repetición del cáncer, donde sea apropiado.
Finalmente, los investigadores encontraron que el modelo de aprendizaje temporal predijo la repetición de gloma de bajo o alto grado por tratamiento después de un año, que tiene una precisión del 75-89 %, que es mucho mejor que la precisión asociada con las predicciones basadas en imágenes únicas, que no es mejor que aproximadamente el 50 % (oportunidad). Proporcionar a la IA fotos de más puntos de tiempo después del tratamiento, aumentó la precisión de la predicción del modelo, pero solo se necesitaban cuatro a seis imágenes antes de esta mejora.
Los investigadores han advertido que la verificación adicional en entornos adicionales antes de la aplicación clínica es necesaria. Finalmente, esperan lanzar ensayos clínicos para ver si las predicciones de riesgo informadas por IA pueden mejorar el cuidado, incluso al reducir la frecuencia de imagen para pacientes con mayor riesgo o tratar la terapia adjetiva dirigida.
“Hemos demostrado que Ai Bergham en Ai Bergham y el primer autor del programa AIM Radiation Oncology en AI Bergham, Devonshu Tech, el primer autor de MS, dijo:” AI es capaz de analizar y predecir de manera efectiva numerosas imágenes. “Esta técnica se puede aplicar en muchos entornos donde los pacientes reciben imágenes en serie, más largas, y estamos entusiasmados de ver qué afectará el proyecto”.
Escrito por: Indrece to Mac, Mass Brigiagam solicitó Binium Binium A. rupisa, Zapahsha, Zihotha, Mahulotha, Mahutia, Tufadzawa, Tufadzawa. Autor Judital Srider Vijpeim, dirigió Carlos Cleumant Reclamat
Financiación: este estudio fue parcialmente cooperación por el Instituto Nacional del Instituto Nacional de Salud/ Instituto Nacional del Cáncer (NIH/ NCI) (U54 CA274516 y P50 CA165962), y consorcio de Gleoma de bajo grado Botha-Chhan. También nos gustaría reconocer la Red de Tumores Brian (CBTN) infantiles para obtener imágenes y acceso a datos clínicos.
