อัลกอริธึมการเรียนรู้เชิงลึกระบุเนื้อเยื่อหนาแน่นในแมมโมแกรม

เนื้อเยื่อเต้านมที่หนาแน่นสามารถปกปิดมะเร็งบนแมมโมแกรม ทำให้การตรวจคัดกรองทำได้ยากขึ้น และเป็นปัจจัยเสี่ยงที่เป็นอิสระต่อมะเร็งเต้านม ตอนนี้ นักวิจัยจากสถาบันเทคโนโลยีแมสซาชูเซตส์ ( MIT ) และโรงพยาบาลทั่วไปแมสซาชูเซตส์ ( MGH ) ได้พัฒนาอัลกอริธึมการเรียนรู้เชิงลึกที่ประเมินความหนาแน่นของเต้านมในแมมโมแกรมได้อย่างน่าเชื่อถือเหมือนกับผู้ตรวจเต้านมที่มีประสบการณ์

ในสหรัฐอเมริกา หลายรัฐมีกฎหมายกำหนด

ให้ผู้หญิงได้รับแจ้งหากแมมโมแกรมบ่งชี้ว่ามีเนื้อเยื่อเต้านมหนาแน่น แต่การประเมินความหนาแน่นของเต้านมขึ้นอยู่กับการประเมินของมนุษย์ และผลลัพธ์อาจแตกต่างกันไปตามนักรังสีวิทยา “เราขึ้นอยู่กับการประเมินความหนาแน่นของเต้านมในเชิงคุณภาพของมนุษย์ และวิธีการนั้นมีข้อบกพร่องที่สำคัญ” คอนสแตนซ์ เลห์แมน หัวหน้าทีมวิจัย จาก MGH อธิบาย “เราต้องการเครื่องมือที่แม่นยำกว่านี้”

“แรงจูงใจของเราคือการสร้างเครื่องมือที่แม่นยำและสม่ำเสมอซึ่งสามารถแบ่งปันและใช้งานในระบบการดูแลสุขภาพได้” อดัมยาลา นักศึกษาปริญญาเอกในห้องปฏิบัติการวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ของ MIT กล่าวเสริมแมมโมแกรมทุกตัวมีระดับความหนาแน่นของเต้านม BI-RADS ในหนึ่งในสี่ประเภท: ไขมัน; fibroglandular กระจัดกระจาย; หนาแน่นต่างกัน หรือหนาแน่น นักวิจัยได้พัฒนาแบบจำลองที่สร้างขึ้นบนโครงข่ายประสาทเทียมแบบลึก ซึ่งสามารถแยกแยะประเภทของเนื้อเยื่อเต้านมได้

นักวิจัยได้ฝึกฝนและทดสอบอัลกอริธึมกับชุดข้อมูลของแมมโมแกรมคัดกรองดิจิตอลมากกว่า 58,000 ชิ้น พวกเขาใช้แมมโมแกรมประมาณ 41,000 ชิ้นสำหรับการฝึก และประมาณ 8600 ชิ้นสำหรับการทดสอบ ในระหว่างการฝึกอบรม อัลกอริธึมจะได้รับแมมโมแกรมแบบสุ่มเพื่อวิเคราะห์และเรียนรู้การทำแผนที่แมมโมแกรมด้วยการตีความของนักรังสีวิทยาดั้งเดิม ด้วยการตรวจแมมโมแกรมใหม่ จึงสามารถทำนายหมวดหมู่ความหนาแน่นที่มีแนวโน้มมากที่สุดได้

การประยุกต์ใช้ทางคลินิก

ในเดือนมกราคมของปีนี้ อัลกอริทึมการเรียนรู้เชิงลึกได้ถูกนำมาใช้ในการปฏิบัติทางคลินิกตามปกติที่ MGH ในเวิร์กโฟลว์แบบดั้งเดิม แมมโมแกรมจะถูกส่งไปยังเวิร์กสเตชันเพื่อให้นักรังสีวิทยาประเมิน สำหรับการศึกษานี้ อัลกอริทึมถูกนำไปใช้ก่อนเพื่อกำหนดระดับความหนาแน่นของแมมโมแกรมแต่ละรายการ จากนั้นเมื่อนักรังสีวิทยาดูการสแกนที่เวิร์กสเตชัน พวกเขาจะเห็นการให้คะแนนของแบบจำลอง ซึ่งพวกเขาสามารถยอมรับหรือปฏิเสธได้

นักวิจัยตั้งข้อสังเกตว่านี่นับเป็นครั้งแรกที่รูปแบบการเรียนรู้เชิงลึกประเภทนี้ถูกนำมาใช้อย่างประสบความสำเร็จในการปฏิบัติทางคลินิกตามปกติ “ใช้เวลาน้อยกว่าหนึ่งวินาทีต่อภาพ … [และสามารถ] ปรับขนาดทั่วทั้งโรงพยาบาลได้อย่างง่ายดายและราคาถูก” ยะลากล่าว

การจำแนกความหนาแน่นของเต้านมแบบสี่ทิศทาง

ซ้าย: เปรียบเทียบการประเมินรังสีแพทย์เดิมกับการประเมินแบบจำลองการเรียนรู้เชิงลึกสำหรับการจำแนกความหนาแน่นของเต้านมแบบสี่ทิศทาง ขวา: ตัวอย่างแมมโมแกรมที่มีการประเมินที่สอดคล้องกันและไม่ลงรอยกันระหว่างนักรังสีวิทยากับแบบจำลอง (มารยาท: สมาคมรังสีแห่งอเมริกาเหนือ)

รายงานการศึกษาเกี่ยวกับแมมโมแกรมต่อเนื่อง 10,763 ครั้งซึ่งประเมินโดยอัลกอริทึมและทบทวนโดยนักรังสีวิทยาแปดคน ในการทดสอบแบบไบนารีเพื่อพิจารณาว่าหน้าอกมีลักษณะต่างกันและมีความหนาแน่น หรือเป็นไขมันและกระจัดกระจาย อัลกอริทึมดังกล่าวบรรลุข้อตกลง 94% กับนักรังสีวิทยา ในหมวดหมู่ BI-RADS ทั้งสี่ประเภท ตรงกับการประเมินของนักรังสีวิทยาที่ 90%

“เราตื่นเต้นกับผลลัพธ์ที่ได้” เลห์แมนกล่าว

 “ตอนนี้ที่ Mass General อัลกอริธึมการเรียนรู้เชิงลึกจะประมวลผลแมมโมแกรมการคัดกรองทั้งหมดของเราและให้ความหนาแน่น ซึ่งเป็นที่ยอมรับหรือปฏิเสธโดยนักรังสีวิทยา”

อัลกอริทึมมีศักยภาพในการสร้างมาตรฐานและประเมินความหนาแน่นของเต้านมเป็นประจำโดยอัตโนมัติ ในวงกว้าง นักวิจัยมองว่าปัญญาประดิษฐ์ (AI) เป็นศูนย์กลางในการพัฒนาการประเมินความเสี่ยงมะเร็งเต้านมส่วนบุคคล AI เหมาะอย่างยิ่งสำหรับการถ่ายภาพเต้านมเนื่องจากสามารถดึงฐานข้อมูลขนาดใหญ่ที่โตเต็มที่พร้อมการรายงานที่มีโครงสร้างขั้นสูงซึ่งเชื่อมโยงรูปภาพกับผลลัพธ์

“ด้วย AI ตอนนี้เราสามารถใช้ประโยชน์จากข้อมูลจำนวนมหาศาลในการดูแลผู้ป่วยที่เป็นส่วนตัวและตรงเป้าหมายมากขึ้น” เลห์แมนกล่าว “ในกรณีของมะเร็งเต้านม เราสามารถคาดการณ์ได้ดีขึ้นว่าผู้หญิงคนหนึ่งจะเป็นมะเร็งในอนาคตของเธอได้อย่างไร และเพิ่มโอกาสที่มันจะรักษาได้สำเร็จ”

สามหยดต่อวัน

ตามหลักการสมมูลที่มีชื่อเสียงของไอน์สไตน์ การทดลองที่ดำเนินการในภาวะอิสระนั้นแยกไม่ออกจากการทดลองในสภาวะแรงโน้มถ่วงเป็นศูนย์ บนพื้นฐานนี้ ในปี 2550 Ernst Raselและเพื่อนร่วมงานจาก Leibniz University of Hanover และที่อื่น ๆ ได้เตรียมและสังเกต BEC ภายในแคปซูลในขณะที่มันตกลงมาจากหอคอย ZARM ความสูง 146 ม. ในเบรเมิน นักวิจัยตั้งข้อสังเกตว่าคอนเดนเสทมีความเสถียรมากกว่าในห้องปฏิบัติการที่ยึดติดกับพื้นโลกอย่างมีนัยสำคัญ อย่างไรก็ตาม มันสามารถทำงานได้สูงสุดสามหยดต่อวัน และในแต่ละหยดคอนเดนเสทใช้เวลาน้อยกว่า 5 วินาทีในการตกอย่างอิสระ เป็นผลให้มีการขับเคลื่อนอย่างต่อเนื่องในการผลิต BECs ในวงโคจรรอบโลกและในเดือนพฤษภาคม 2018 NASA ได้เปิดตัวCold Atom Laboratoryไปยังสถานีอวกาศนานาชาติ

ในผลงานล่าสุดนี้ Becker, Rasel และเพื่อนร่วมงานได้ใช้เส้นทางอื่นในอวกาศโดยการโหลด “อะตอมชิป” ลงบนจรวด ชิปอะตอมประกอบด้วยกับดักแม่เหล็ก-ออปติคัลขนาดไมครอนที่มีอะตอมรูบิเดียม-87 ชิปถูกเก็บไว้ในแคปซูลขนาด 3 ม. ที่มีอุปกรณ์อิเล็กทรอนิกส์ เลเซอร์ และแหล่งพลังงาน สิ่งนี้ถูกติดตั้งบนจรวด MAIUS-1 ซึ่งถูกยิงขึ้นไป 243 กม. จากจุดปล่อยในสวีเดนในเดือนมกราคม 2017 เมื่อจรวดไปถึงจุดสูงสุด นักวิจัยได้ทำให้อะตอมเย็นลงทันทีด้วยการบังคับให้เย็นแบบระเหย – ประสบความสำเร็จในการสร้าง BEC ประมาณ 10 5 อะตอมในเวลาเพียง 1.6 วินาที

ในช่วง 6 นาทีต่อมาของการตกอย่างอิสระ นักวิจัยได้ทำการทดลอง 110 ครั้งกับคอนเดนเสท เบกเกอร์อธิบายว่านี่เป็นเพราะการวางแผนล่วงหน้าอย่างรอบคอบและปัญญาประดิษฐ์ ทีมงานได้ตั้งโปรแกรมลำดับการทดลองไว้ล่วงหน้าโดยที่พารามิเตอร์หนึ่งตัวเปลี่ยนจากการทดสอบเป็นการทดสอบ “เครื่องมือทดลองจะทำการทดลองบางส่วน แต่ยังประเมินพวกเขาในระดับหนึ่งเพื่อที่จะได้ใช้ค่าที่ดีที่สุดสำหรับการทดลองครั้งต่อไป” เบกเกอร์กล่าว

Credit : เกมส์ออนไลน์แนะนำ >>>ป๊อกเด้งออนไลน์ ขั้นต่ำ 5 บาท