使用人工智能脑部肿瘤的准确诊断
脑部肿瘤,从而选择最优的分类治疗选项可以更加准确和精确的通过使用人工智能结合生理成像。这是一个广泛研究的结果发表在癌症并由卡尔·兰德斯泰纳大学健康科学(KL期)。多级机器学习方法被用来分析和分类脑瘤从磁共振成像使用生理数据。结果与分类由人类专家。人工智能被发现领域的优越的精度,精度和错误分类,等等,而专业人士在敏感性和特异性表现的更好。
脑瘤可以很容易地检测到核磁共振成像(MRI),但他们的准确分类是困难的。然而这正是关键的选择最好的治疗方案。现在,一个国际研究小组由KL期使用来自现代核磁共振方法为基础的数据机器学习(毫升)协议和评估使用人工智能分类大脑肿瘤。他们发现,在某些领域,分类使用人工智能可以优于由训练有素的专业人员。
更多的核磁共振,更多的数据
Andreas Stadlbauer教授领导的研究小组,一个科学家在中央研究所医学放射学诊断在圣波尔滕大学医院,先进的和生理的MRI数据用于这项研究。这两种方法都提供了增强的洞察的结构和代谢脑瘤,允许更好的分类有一段时间了。但这种差异化的代价是大量的数据需要熟练地评估。“我们现在是否以及如何分析人工智能使用毫升可以启用支持训练有素的专业人员在这个艰巨的任务,”Stadlbauer教授解释道。“结果非常有前途。时精度,精度和避免误分类,一个人工智能可以分类脑瘤使用核磁共振数据。”
实现他们的令人印象深刻的结果,团队训练九知名多级ML算法与核磁共振数据从167年以前的患者五种最常见的一种脑部肿瘤并准确使用组织学分类。135所谓的分类器生成在一个复杂的协议。这些数学函数检查的材料分配给特定的类别。“与先前的研究相比,我们还考虑了生理核磁共振成像的数据,“Stadlbauer教授解释道。“这包括细节的肿瘤血管结构和新血管的形成,以及肿瘤组织氧的供应。”
Radiophysionomics
团队命名数据从不同的磁共振成像方法的结合与多级毫升“radiophysiomics。”It's a term that's likely to catch on quickly, as the potential of this approach became apparent in the second part of the project, the testing phase. In this, the now-trained multiclass ML algorithms were fed with corresponding MRI data from 20 current brain肿瘤病人和分类的结果从而获得比较与两个认证的放射科医生。因此,两个最好的ML算法(称为“适应性提高”和“随机森林”),表现人类领域的评估结果的准确性和精度。此外,这些ML算法导致的误分类比专业人士(5和6)。另一方面,当它来到的敏感性和特异性评估、人力评估被证明是比人工智能测试更准确。
说,“这也让我们知道Stadlbauer教授“ML的方法不应该代替由合格人员分类,而是一种补充。此外,这种方法所需的时间和精力是目前仍然非常高。但它提供了潜在的可能性应该进一步追求日常临床使用。”Overall, this study again demonstrates the focus of research at KL Krems on fundamental findings with real clinical added value.
