人工智能平台展示了甲状腺癌筛查潜在和分期从超声图像
一项新的研究发现,一个人工智能(AI)模型将多个机器学习方法准确地检测甲状腺癌,病理和基因预测结果通过分析常规超声图像。AI模型可以提供一个低成本、非侵入性选择筛选、疾病分期和个性化治疗计划。这项研究的发现将于明天在2022年多学科头部和颈部癌症研讨会。
“甲状腺癌是一种最迅速增加癌症在美国,很大程度上是由于增加了检测和改进的诊断。我们已经开发了一个人工智能平台,将检查超声图像和高精确地预测是否可能有问题的甲状腺结节,事实上,癌变。如果是癌症,我们可以进一步的预测肿瘤的阶段,节点阶段和BRAF突变的存在与否,”资深作者安妮Chan表示,医学博士,主任头部和颈部放射肿瘤学研究项目质量综合癌症中心。“如果发现得早,这种疾病是高度可治疗的,和病人通常可以活很长一段时间治疗后。”
训练和验证人工智能平台,研究人员获得1346个甲状腺结节从784例患者通过常规诊断超声图像。超声图像被分成两个数据集,一个用于内部培训和验证,外部验证。恶性肿瘤与样本来自细针活检证实。与手术病理分期和突变状态被证实报告和基因组测序,分别。
与传统的人工智能方法,研究人员结合多种人工智能方法模型,包括(1)radiomics中提取大量的定量特征的图像;(2)拓扑数据分析(TDA),评估之间的空间关系数据点在图像;(3)深度学习,通过多层算法运行数据的人工智能神经网络生成的预测;和(4)机器学习(ML),其中一个算法利用甲状腺显像报告和数据系统(TI-RADS)定义超声波与ML特征属性。“通过整合不同的人工智能方法,我们能够获取更多的数据,减少噪音。这使我们能够实现高水平的准确性做出预测,”陈博士说。
多通道平台利用这四个方法准确地预测的98.7%甲状腺结节恶性肿瘤内部数据集,明显优于单独的人工智能方法单独使用。相比之下,个人radiomics模型预测89%的恶性肿瘤(p < 0.001与多通道平台)相比,深度学习模型精度达到87% (p = 0.002),和TDA (ML) TI-RADS准确的样本的81%和80%,分别为(p < 0.001)。在外部验证数据集,对恶性肿瘤的预测模型是93%准确。
多通道模型包括radiomics, TDA (ML) TI-RADS也能够区分病理阶段(N-stage t台精度为93%,89%,98%,extrathyroidal扩展)。此外,该模型确定了BRAF V600E突变,可治疗靶向治疗,96%的准确率。
