Η υπολογιστική τομογραφία (CT) είναι ένα σημαντικό διαγνωστικό εργαλείο για την αξιολόγηση του καρκίνου του πνεύμονα σε ασθενείς. Τώρα ερευνητές που χρηματοδοτούνται από το NIBIB στο Πανεπιστήμιο του Στάνφορντ έχουν δημιουργήσει ένα τεχνητό νευρικό δίκτυο που αναλύει την αξονική τομογραφία των πνευμόνων για να παρέχει πληροφορίες σχετικά με τη σοβαρότητα του καρκίνου του πνεύμονα που μπορεί να καθοδηγήσει τις επιλογές θεραπείας.
Η απεικόνιση CT είναι ένα σημαντικό διαγνωστικό εργαλείο για τη μέτρηση της θέσης, της έκτασης, του μεγέθους και του σχήματος των πνευμονικών αλλοιώσεων που χρησιμοποιούνται για την καθοδήγηση θεραπευτικών αποφάσεων για ασθενείς με καρκίνο του πνεύμονα – την πιο συχνή θανατηφόρα κακοήθεια σε ενήλικες παγκοσμίως. Ωστόσο, η ανάλυση των εικόνων CT περιορίζεται σε αυτό που είναι ορατό στο ανθρώπινο μάτι και η μεταβλητότητα του αναγνώστη οδηγεί σε διαφορές στην κλινική φροντίδα σε διαφορετικά κέντρα ογκολογίας.
Μια πολυεπιστημονική ομάδα εμπειρογνωμόνων στη βιοϊατρική πληροφορική , την ακτινολογία, την επιστήμη δεδομένων, την ηλεκτρολογία και την ογκολογία ακτινοβολίας συνεργάστηκε για να δημιουργήσει ένα νευρικό δίκτυο μηχανικής μάθησης που ονομάζεται LungNet, σχεδιασμένο για να λαμβάνει συνεπείς, γρήγορες και ακριβείς πληροφορίες από σαρώσεις πνευμόνων από ασθενείς. Η ομάδα συνεργάστηκε με σαρώσεις από ενήλικες με μη μικροκυτταρικό καρκίνο του πνεύμονα (NSCLC), ο οποίος αντιπροσωπεύει το 85% των διαγνώσεων καρκίνου του πνεύμονα.
“Το LungNet καταδεικνύει τα οφέλη του σχεδιασμού και της κατάρτισης εργαλείων μηχανικής μάθησης απευθείας σε ιατρικές εικόνες από ασθενείς”, δήλωσε ο Qi Duan, Ph.D., διευθυντής του προγράμματος NIBIB στην Επεξεργασία Εικόνας, στην Οπτική Αντίληψη και στην Οθόνη. “Αυτό είναι ένα εξαιρετικό παράδειγμα του πώς η τεχνολογία μηχανικής μάθησης μπορεί να είναι μια οικονομικά αποδοτική προσέγγιση για την προώθηση της ανίχνευσης, της διάγνωσης και της θεραπείας των ασθενειών.”
Η ερευνητική ομάδα διευθύνθηκε από τον Olivier Gevaert, Επίκουρο Καθηγητή Ιατρικής στη Βιοϊατρική Έρευνα Πληροφορικής, στο Στάνφορντ, ο οποίος ειδικεύεται στην ανάπτυξη μεθόδων μηχανικής μάθησης για υποστήριξη βιοϊατρικών αποφάσεων χρησιμοποιώντας βιοϊατρικά δεδομένα πολλαπλών κλιμάκων.
“Η ποσοτική ανάλυση της εικόνας έχει δείξει ότι οι ακτινολογικές εικόνες, όπως η αξονική τομογραφία ασθενών με καρκίνο του πνεύμονα, περιέχουν περισσότερες ελάχιστες πληροφορίες από αυτές που παρατηρούνται από τους ακτινολόγους”, εξήγησε ο Gevaert. «Χρησιμοποιώντας σύνολα δεδομένων CT από πολλές διαφορετικές ογκολογικές κλινικές, ξεκινήσαμε να καθορίζουμε εάν το νευρικό μας δίκτυο θα μπορούσε να εκπαιδευτεί ώστε να αναλύει με ακρίβεια και αναπαραγωγικά τις σαρώσεις και να παρέχει συνεπείς, χρήσιμες κλινικές πληροφορίες».
