机器学习可以提高检测卵巢病变

尽管卵巢癌是最致命的癌症类型对于女性来说,只有约20%的病例被发现在早期阶段,没有真正的为他们筛查和一些症状提示他们。另外,卵巢病变难以诊断准确,所以困难,事实上,没有癌症的迹象在80%以上的女性接受手术病灶切除和测试。

是朱,埃德温·h·Murty圣路易斯华盛顿大学生物医学工程教授“麦凯维工程学院,她的实验室成员应用各种成像方法来更准确地诊断卵巢癌。现在,他们已经开发出一种新的机器学习融合模型,利用现有的卵巢病变的超声特征训练模型来识别是否良性或恶性病变与光声层析重建图像。机器学习传统上一直专注于单一形态数据。最近的研究结果表明,多模机器学习是在其性能更健壮的单峰性方法。35个试点研究的患者超过600个地区的利益,模型的准确性为90%。

第一项研究使用超声波来提高光声层析重建的机器学习表现为癌症的诊断。研究结果发表在12月出版的杂志造影。

“现有模式主要是基于卵巢病变的大小和形状,不提供一个精确的诊断为早期卵巢癌和风险评估大附属器/卵巢病变,”朱说,也放射学教授医学院。“光声成像血管增加了更多的功能信息从血红蛋白浓度和血氧饱和度对比。”

Yun邹,博士生在朱的实验室,开发了一种新的机器学习神经网络融合模型,结合超声波与光声层析成像神经网络进行卵巢病变的诊断。卵巢的恶性病变可以从超声波在几个不同的形态:有些是固体,和其他人有乳头状项目内囊损伤,使他们更难以诊断。提高整体超声的诊断,他们加入了总血红蛋白浓度和血氧饱和度的光声成像,这两个是癌卵巢组织的生物标志物。

“我们的研究结果表明,ultrasound-enhanced光声成像融合模型重建目标的总血红蛋白和血氧饱和度的地图比其他方法更准确地,提供了一个提高卵巢癌的诊断良性病变,“邹说。

参考:罗邹Y, Amidi E、H,朱问:Ultrasound-enhanced Unet模型定量光声层析成像的卵巢病变。造影。2022;28:100420。doi:10.1016 / j.pacs.2022.100420

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。