Μια νέα προσέγγιση μηχανικής μάθησης ταξινομεί έναν κοινό τύπο όγκου εγκεφάλου σε χαμηλού ή υψηλού βαθμού με σχεδόν 98% ακρίβεια, αναφέρουν ερευνητές στο περιοδικό IEEE Access. Επιστήμονες στην Ινδία και την Ιαπωνία, συμπεριλαμβανομένου του Ινστιτούτου Ολοκληρωμένων Επιστημών Κυτταρικού Υλικού του Πανεπιστημίου του Κιότο (iCeMS), ανέπτυξαν μια μέθοδο για να βοηθήσουν τους κλινικούς ιατρούς να επιλέξουν την πιο αποτελεσματική στρατηγική θεραπείας για μεμονωμένους ασθενείς.
Τα γλοιώματα είναι ένας κοινός τύπος όγκου του εγκεφάλου που επηρεάζει τα γλοιακά κύτταρα, τα οποία παρέχουν υποστήριξη και μόνωση για τους νευρώνες. Η θεραπεία του ασθενούς ποικίλλει ανάλογα με την επιθετικότητα του όγκου, οπότε είναι σημαντικό να γίνει σωστή η διάγνωση για κάθε άτομο. Οι ακτινολόγοι λαμβάνουν μια πολύ μεγάλη ποσότητα δεδομένων από σαρώσεις μαγνητικής τομογραφίας για την ανακατασκευή μιας τρισδιάστατης εικόνας του σαρωμένου ιστού. Πολλά από τα διαθέσιμα δεδομένα σε σάρωση μαγνητικής τομογραφίας δεν μπορούν να εντοπιστούν με γυμνό μάτι, όπως λεπτομέρειες που σχετίζονται με το σχήμα του όγκου, την υφή ή την ένταση της εικόνας. Οι αλγόριθμοι τεχνητής νοημοσύνης (AI) βοηθούν στην εξαγωγή αυτών των δεδομένων. Οι ογκολόγοι έχουν χρησιμοποιήσει αυτήν την προσέγγιση, που ονομάζεται ακτινοβολία, για να βελτιώσουν τις διαγνώσεις των ασθενών, αλλά πρέπει ακόμη να βελτιωθεί όσον αφορά την ακρίβεια.
Ο βιολόγος μηχανικός του iCeMS Ganesh Pandian Namasivayam συνεργάστηκε με τον Ινδό επιστήμονα δεδομένων Balasubramanian Raman από το Roorkee για να αναπτύξει μια προσέγγιση μηχανικής μάθησης που μπορεί να ταξινομήσει τα γλοιώματα σε χαμηλού ή υψηλού βαθμού με ακρίβεια κατά 97,54%. Τα γλοιώματα χαμηλού βαθμού περιλαμβάνουν πιλοκυτταρικό αστροκύτωμα βαθμού Ι και γλοιώματος χαμηλού βαθμού ΙΙ. Αυτοί είναι οι λιγότερο επιθετικοί και λιγότερο κακοήθεις όγκοι του γλοιώματος. Τα γλοιώματα υψηλού βαθμού περιλαμβάνουν κακόηθες γλοίωμα ΙΙΙ βαθμού και πολύμορφο γλοιοβλάστωμα IV βαθμού, το οποίο είναι πολύ πιο επιθετικό και πιο κακόηθες με σχετικά σύντομο χρόνο επιβίωσης μετά τη διάγνωση. Η επιλογή της θεραπείας του ασθενούς εξαρτάται σε μεγάλο βαθμό από την ικανότητα προσδιορισμού του ύψους του βαθμού του γλοιώματος.
Η ομάδα, συμπεριλαμβανομένων των Rahul Kumar, Ankur Gupta και Harkirat Singh Arora, χρησιμοποίησε ένα σύνολο δεδομένων από σαρώσεις μαγνητικής τομογραφίας που ανήκαν σε 210 άτομα με γλοιώματα υψηλού βαθμού και ένα σύνολο δεδομένων από σαρώσεις μαγνητικής τομογραφίας που ανήκαν σε άλλα 75 άτομα με γλοιώματα χαμηλού βαθμού. Ανέπτυξαν μια προσέγγιση που ονομάζεται CGHF, η οποία σημαίνει: υπολογιστικό σύστημα υποστήριξης αποφάσεων για ταξινόμηση γλοιώματος χρησιμοποιώντας υβριδικές ραδιενεργείς και σταθερές λειτουργίες βασισμένες σε κύματα. Επέλεξαν συγκεκριμένους αλγόριθμους για την εξαγωγή χαρακτηριστικών από ορισμένες από τις σαρώσεις MRI και στη συνέχεια εκπαίδευσαν έναν άλλο αλγόριθμο πρόβλεψης για την επεξεργασία αυτών των δεδομένων και την ταξινόμηση των γλοιών. Στη συνέχεια, δοκίμασαν το μοντέλο τους στο υπόλοιπο των σαρώσεων MRI για να εκτιμήσουν την ακρίβειά του.
“Η μέθοδός μας ξεπέρασε τις άλλες προηγμένες προσεγγίσεις για την πρόβλεψη βαθμίδων γλοιώματος από σαρώσεις μαγνητικής τομογραφίας εγκεφάλου”, λέει ο Balasubramanian. “Αυτό είναι αρκετά σημαντικό.”
“Ελπίζουμε ότι η AI βοηθά στην ανάπτυξη ενός ημιαυτόματου ή αυτόματου μοντέλου λογισμικού μηχανικής πρόβλεψης που μπορεί να βοηθήσει γιατρούς, ακτινολόγους και άλλους επαγγελματίες υγείας να προσαρμόσουν τις καλύτερες προσεγγίσεις για τους μεμονωμένους ασθενείς τους”, προσθέτει ο Ganesh.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
