Search Icon
ΑΝΑΖΗΤΗΣΗ
Τεχνολογία

Μηχανική μάθηση υγεία: Το machine learning επιτρέπει την βέλτιστη ταξινόμηση του καρκίνου μαστού

Μηχανική μάθηση υγεία: Το machine learning επιτρέπει την βέλτιστη ταξινόμηση του καρκίνου μαστού

Μηχανική μάθηση υγεία: Σε ένα ιατρικό εργαστήριο, ένα τέτοιο μοντέλο υπόσχεται εξοικονόμηση χρόνου ταξινομώντας τις εικόνες γρηγορότερα από άλλες τεχνολογίες που χρησιμοποιούνται στο εργαστήριο.



Ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε από το Michigan Tech χρησιμοποιεί την πιθανότητα να ταξινομήσει με μεγαλύτερη ακρίβεια τον καρκίνο του μαστού που εμφανίζεται στις ιστοπαθολογικές εικόνες και να αξιολογήσει την αβεβαιότητα των προβλέψεών του. Στην εργασία τους που δημοσιεύτηκε πρόσφατα στο περιοδικό IEEE Transactions on Medical Imaging, οι μεταπτυχιακοί φοιτητές μηχανολογίας Ponkrshnan Thiagarajan και Pushkar Khairnar και η Susanta Ghosh, επίκουρη καθηγήτρια μηχανολογίας και ειδικός στη μηχανική μάθηση, σκιαγραφούν το νέο τους πιθανοτικό μοντέλο μηχανικής μάθησης.


Καρκίνος του μαστού: Μια πραγματική μάστιγα

Ο καρκίνος του μαστού είναι ο πιο συχνός καρκίνος με το υψηλότερο ποσοστό θνησιμότητας. Η ταχεία ανίχνευση και διάγνωση μειώνει τον αντίκτυπο της νόσου. Ωστόσο, η ταξινόμηση του καρκίνου του μαστού με χρήση ιστοπαθολογικών εικόνων είναι μια πρόκληση λόγω της μεροληψίας στα δεδομένα και της μη διαθεσιμότητας σχολιασμένων δεδομένων σε μεγάλες ποσότητες. Η αυτόματη ανίχνευση του καρκίνου του μαστού χρησιμοποιώντας το συνελικτικό νευρωνικό δίκτυο, μιας τεχνικής μηχανικής μάθησης, έχει αποδειχθεί πολλά υποσχόμενη. Ωστόσο, σχετίζεται με υψηλό κίνδυνο ψευδώς θετικών και ψευδώς αρνητικών.

Ένα νέο μοντέλο μηχανικής μάθησης που αναπτύχθηκε από ερευνητές του Τεχνολογικού Πανεπιστημίου του Μίσιγκαν μπορεί να αξιολογήσει την αβεβαιότητα στις προβλέψεις του καθώς ταξινομεί καλοήθεις και κακοήθεις όγκους, συμβάλλοντας στη μείωση αυτού του κινδύνου. “Οποιοσδήποτε αλγόριθμος μηχανικής μάθησης που έχει αναπτυχθεί μέχρι στιγμής θα έχει κάποια αβεβαιότητα στην πρόβλεψή του”, δήλωσε ο Thiagarajan. “Δεν υπάρχει τρόπος να ποσοτικοποιηθούν αυτές οι αβεβαιότητες. Ακόμα κι αν ένας αλγόριθμος μας λέει ότι ένα άτομο έχει καρκίνο, δεν γνωρίζουμε το επίπεδο εμπιστοσύνης σε αυτήν την πρόβλεψη.”

Λεπτομέρειες για το νέο μοντέλο μηχανικής μάθησης

Το μοντέλο Michigan Tech διαφοροποιεί τις αρνητικές και τις θετικές κατηγορίες αναλύοντας τις εικόνες, οι οποίες στο πιο βασικό τους επίπεδο είναι συλλογές pixel. Εκτός από αυτήν την ταξινόμηση, το μοντέλο μπορεί να μετρήσει την αβεβαιότητα στις προβλέψεις του. Σε ένα ιατρικό εργαστήριο, ένα τέτοιο μοντέλο υπόσχεται εξοικονόμηση χρόνου ταξινομώντας τις εικόνες γρηγορότερα από μια τεχνολογία εργαστηρίου. Και, επειδή το μοντέλο μπορεί να αξιολογήσει το δικό του επίπεδο βεβαιότητας, μπορεί να παραπέμψει τις εικόνες σε έναν άνθρωπο ειδικό όταν είναι λιγότερο σίγουρο.

Γιατί όμως ένας μηχανολόγος μηχανικός δημιουργεί αλγόριθμους για την ιατρική κοινότητα; Η ιδέα του Thiagarajan ξεκίνησε όταν άρχισε να χρησιμοποιεί μηχανική μάθηση για να μειώσει τον υπολογιστικό χρόνο που απαιτείται για προβλήματα μηχανολογίας. Είτε ένας υπολογισμός αξιολογεί την παραμόρφωση των δομικών υλικών είτε καθορίζει εάν κάποιος έχει καρκίνο του μαστού, είναι σημαντικό να γνωρίζουμε την αβεβαιότητα αυτού του υπολογισμού—οι βασικές ιδέες παραμένουν οι ίδιες. “Ο καρκίνος του μαστού είναι ένας από τους καρκίνους που έχει την υψηλότερη θνησιμότητα και την υψηλότερη συχνότητα εμφάνισης”, είπε ο Thiagarajan.

 

Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube

Διαβάστε Eπίσης:

Η άσκηση ανακουφίζει από τον πόνο μετά από χειρουργείο για καρκίνο μαστού

Παράγοντες που αυξάνουν τον κίνδυνο μετάστασης του καρκίνου του μαστού σύμφωνα με διεθνή μελέτη

Την ερχόμενη δεκαετία τα health tracking apps μεταμορφώνουν την υγειονομική περίθαλψη

Ξεκλειδώνοντας το ανθρώπινο δυναμικό μέσω υπεραυτοματισμού

svg%3E svg%3E
svg%3E
Αφιέρωμα στον Διαβήτη healthwebgr svg%3E
Περισσότερα

Νέα μέθοδος ανάπτυξης αιμοφόρων αγγείων σε εργαστηριακά οργανοειδή 

Οι ερευνητές έχουν αναπτύξει ένα καινοτόμο πρωτόκολλο που περιλαμβάνει τη χρήση βιοϋλικών, κυτταρικών παραγόντων και μοριακών σηματοδοτών για την προώθηση της αγγειογένεσης σε τρισδιάστατα οργανοειδή.

Τεχνητή νοημοσύνη: Μπορεί να βοηθήσει στην ανίχνευση εγκεφαλικών όγκων;

Τεχνητή νοημοσύνη: Οι ακτινολόγοι βρίσκονται μπροστά σε μια σημαντική επανάσταση στον τομέα της ιατρικής απεικόνισης, καθώς η τεχνητή νοημοσύνη αναμένεται να παίξει καθοριστικό ρόλο στην ανίχνευση εγκεφαλικών όγκων.

Νευρωνική διεπαφή: Πρόσβαση στον εγκέφαλο χωρίς επεμβατική χειρουργική

Νευρωνική διεπαφή: Οι τελευταίες εξελίξεις στην ιατρική τεχνολογία οδήγησαν στην ανάπτυξη μιας νέας ελάχιστα επεμβατικής νευρωνικής διεπαφής που υπόσχεται να αλλάξει δραστικά τον τρόπο αλληλεπίδρασης με τον εγκέφαλο.

Η τεχνική που επαναπροσδιορίζει τη µεταµόσχευση οργάνων 

Ένα από τα πιο υποσχόμενα πεδία έρευνας είναι η βιολογία των βλαστοκυττάρων. Τα βλαστοκύτταρα έχουν την ικανότητα να διαφοροποιούνται σε πολλούς τύπους κυττάρων και μπορούν να χρησιμοποιηθούν για την αναγέννηση κατεστραμμένων οργάνων ή ιστών.

Νέο σύστημα φακών για ενδοσκόπια επιτρέπει στους γιατρούς να δουν μέσα στο σώμα όπως ποτέ άλλοτε

Ενδοσκόπιο: Έχει σχεδιαστεί ένα νέο είδος συστήματος φακών για την άκρη ενός ενδοσκοπίου, το οποίο θα μπορούσε να επιτρέψει στους γιατρούς να βλέπουν και να θεραπεύουν περιοχές βαθιά μέσα στο σώμα.

Ρομποτική χειρουργική: Ο νέος τρόπος αντιμετώπισης της πρόπτωσης μήτρας

Ρομποτική χειρουργική: Η πρόπτωση της μήτρας, όπου η μήτρα υποχωρεί από τη φυσική της θέση και κατέρχεται στον κόλπο, είναι μια συχνή κατάσταση που επηρεάζει πολλές γυναίκες, ειδικά εκείνες που έχουν υποβληθεί σε τοκετούς.

Τεχνητή νοημοσύνη: Ο νέος σύμμαχος στην ανίχνευση καρκινικών όγκων εγκεφάλου

Τεχνητή νοημοσύνη: Ένα επαναστατικό μοντέλο τεχνητής νοημοσύνης έχει αναπτυχθεί για τον εντοπισμό καρκινικών όγκων στον εγκέφαλο με απίστευτη ταχύτητα και ακρίβεια.

Close Icon