Comment l’intelligence artificielle peut être utilisé plus rapidement et avec précision à diagnostiquer le cancer du sein

Le cancer du sein est la première cause de décès par cancer chez les femmes. Il est également difficile à diagnostiquer. Près d’un sur 10 cancers diagnostiqués à tort comme non cancéreuses, ce qui signifie qu’un patient peut perdre l’essentiel du temps de traitement. D’autre part, plus de la mammographie, une femme a, plus il est probable qu’elle va voir un résultat faux positif. Après 10 ans de annuel de mammographies, près de deux sur trois patients qui n’ont pas le cancer sera dit qu’ils font et être soumis à une intervention invasive, plus probablement une biopsie.



Échographie mammaire élastographie est une nouvelle technique d’imagerie qui fournit des informations au sujet d’une éventuelle sein de la lésion par l’évaluation de sa rigidité, de façon non invasive. À l’aide des informations plus précises sur les caractéristiques d’un cancéreuses et non cancéreuses du sein de la lésion, cette méthodologie a fait preuve de plus de précision par rapport aux modes traditionnels de l’imagerie.


Au cœur de cette procédure, cependant, est un complexe problème de calcul qui peut être longue et difficile à résoudre. Mais si, au lieu de cela nous nous sommes appuyés sur les conseils d’un algorithme?


Assad Oberai, l’USC Viterbi School of Engineering Hughes, Professeur au Département d’Aérospatiale et Mécanique, posé cette question exacte dans le document de recherche, “pour Contourner la solution de problèmes inverses en mécanique par apprentissage en profondeur: application à l’imagerie d’élasticité”, publié en Méthodes Informatiques Appliquées de la Mécanique et de l’Ingénierie. Avec une équipe de chercheurs, dont l’USC Viterbi Tél. D étudiant Dhruv Patel, Oberai spécifiquement examiné les questions suivantes: Pouvez-vous former une machine à interpréter le monde réel des images à l’aide de données synthétiques et de rationaliser les étapes de diagnostic? La réponse, Oberai dit, est probablement oui.


Dans le cas de l’échographie mammaire élastographie, une fois une image de la zone touchée est prise, l’image est analysée pour déterminer les déplacements à l’intérieur du tissu. L’utilisation de ces données et les lois de la physique, de la mécanique, de la distribution spatiale des propriétés mécaniques — comme sa rigidité — est déterminé. Après cela, on doit d’identifier et de quantifier les caractéristiques pertinentes de la distribution, conduisant finalement à une classification de la tumeur maligne ou bénigne. Le problème est que les deux dernières étapes de calculs complexes et intrinsèquement difficile.


Dans la recherche, le Oberai cherché à déterminer si elles pouvaient ignorer le plus compliqué étapes de ce flux de travail entièrement.


Cancéreuses dans le tissu mammaire a deux propriétés clés: hétérogénéité, ce qui signifie que certaines zones sont doux et certains sont fermes et non-élasticité linéaire, ce qui signifie que les fibres offre beaucoup de résistance lorsqu’il est tiré au lieu de la période initiale de donner associée à des tumeurs bénignes. Sachant cela, Oberai créé basé sur la physique des modèles qui ont montré des niveaux variables de ces propriétés. Il a ensuite utilisé des milliers d’entrées de données dérivées de ces modèles dans le but de former l’algorithme d’apprentissage automatique.


Synthétique Versus De Données Du Monde Réel


Mais pourquoi voudriez-vous d’utiliser de façon synthétique des données obtenues à l’apprentissage de l’algorithme? Ne serait pas de données réelles de mieux?


“Si vous aviez assez de données, vous ne serait pas,” dit Oberai. “Mais dans le cas de l’imagerie médicale, vous êtes chanceux si vous avez 1 000 images. Dans ce genre de situations où les données sont rares, ces sortes de techniques deviennent importants.”


Oberai et son équipe ont utilisé environ 12 000 images de synthèse pour la formation de leur algorithme d’apprentissage automatique. Ce processus est semblable à bien des façons à la façon de photo logiciels d’identification des œuvres, l’apprentissage par le biais répétée intrants comment reconnaître une personne en particulier dans une image, ou comment notre cerveau apprend à classer un chat contre un chien. Grâce à un nombre suffisant d’exemples, l’algorithme est capable de glaner les différentes fonctions inhérentes à une tumeur bénigne par rapport à une tumeur maligne et prendre la bonne décision.


Oberai et son équipe atteint presque 100 pour cent de précision de la classification sur d’autres images de synthèse. Une fois que l’algorithme a été formé, ils ont été testés sur le monde réel des images afin de déterminer de façon exacte, il pourrait être dans la fourniture d’un diagnostic, la mesure de ces résultats par rapport à la biopsie a confirmé les diagnostics associés à ces images.


“Nous avons eu environ 80% de taux de précision. Ensuite, nous continuons à affiner l’algorithme en utilisant de plus en plus dans le monde réel des images comme des entrées,” Oberai dit.


Changer la Façon dont les Diagnostics sont Effectués


Il y a deux prévalant des points qui font l’apprentissage de la machine, un outil important dans la promotion du paysage pour la détection du cancer et le diagnostic. Tout d’abord, les algorithmes d’apprentissage automatique peut détecter les tendances qui peuvent être opaque pour les humains. À travers la manipulation de beaucoup de ces modèles, l’algorithme peut produire un diagnostic précis. Deuxièmement, l’apprentissage de la machine offre une chance de réduire l’opérateur à une erreur de l’opérateur.


Alors, serait-ce de remplacer un radiologue rôle dans la détermination de diagnostic? Certainement pas. Oberai ne prévoit pas d’algorithme qui sert d’arbitre unique de diagnostic de cancer, mais au lieu de cela, un outil qui permet de guider les radiologues à des conclusions plus précises. “Le consensus général est que ces types d’algorithmes ont un rôle important à jouer, notamment de professionnels de l’image qui elle aura un impact sur le plus. Cependant, ces algorithmes seront les plus utiles lorsqu’ils ne servent pas comme des “boîtes noires”, a déclaré Oberai. “Ce qui fait voir qu’il a mené à la conclusion finale? L’algorithme doit être explicable pour qu’il fonctionne comme prévu.”


L’adaptation de l’Algorithme pour d’Autres Cancers


Parce que le cancer sont les causes des différents types de changements dans le tissu de l’impact a lieu, la présence d’un cancer dans un tissu peut finalement conduire à une modification de ses propriétés physiques, par exemple un changement dans la densité et la porosité. Ces changements sont peut être perçue comme un signal dans les images médicales. Le rôle de l’algorithme d’apprentissage automatique est de choisir ce signal et l’utiliser pour déterminer si un tissu donné qui est imagé est cancéreuse.


À l’aide de ces idées, Oberai et son équipe travaillent avec Vinay Duddalwar, professeur de clinique radiologie à la Keck School of Medicine de l’USC, afin de mieux diagnostiquer le cancer du rein par contraste, des images de CT. En utilisant les principes identifiés dans la formation de l’algorithme d’apprentissage automatique pour le diagnostic de cancer du sein, ils sont à la recherche à l’apprentissage de l’algorithme sur d’autres fonctions qui peuvent être affichées bien en vue dans le cancer du rein cas, tels que les changements dans le tissu, qui reflètent le cancer des changements spécifiques dans un patient microcirculation, le réseau des microvaisseaux aider à distribuer le sang dans les tissus.