Új AI-módszer javítja a rákdiagnosztika pontosságát PET/CT-képeken

A daganatos megbetegedések pontos diagnosztikája és kezeléstervezése kulcsfontosságú a betegek túlélési esélyei szempontjából. A PET/CT-vizsgálatok funkcionális és anatómiai információkat ötvöznek, ám a képeken látható elváltozások pontos körülhatárolása kihívást jelent a képalkotás finomsága, az eltérő mérési konvenciók és az emberi leletezők közötti szubjektivitás miatt.

A jelenlegi mélytanulási modellek gyakran bizonytalan vagy következetlen eredményeket adnak, magas tumorterhelés esetén kihagyhatnak elváltozásokat, és hiányzik belőlük a hibalehetőségek kvantifikálása, ami korlátozza klinikai megbízhatóságukat. A Stanford és a Google kutatói egy új, bizonytalanságtudatos keretrendszert dolgoztak ki, amely Bayesian ensemblinget, voxel-alapú bizonytalanságmérést és epistemic uncertainty-augmented traininget integrál a daganatok jobb felismeréséért — írja az arXiv.

Kapcsolódó: Adatbővítés

A bizonytalanság mérése a diagnosztikában

Az új módszer a korábbi determinisztikus nnU-Net modellekhez képest javította a robusztusságot és a teljesítményt az AutoPET-III tesztadatokon, amely 1611 vizsgálatot tartalmazott FDG és PSMA nyomkövetővel, különböző ráktípusokra vonatkozóan. A Deep-PSMA adatkészlet (200 vizsgálat) szintén szerepelt az értékelésben.

Kapcsolódó: Klinikai diagnosztika

A pontosság és a téves pozitívok közötti egyensúly

Az epistemic uncertainty-augmented training javította az elváltozások helyreállítását, bár ez növelte a téves pozitívok számát, ami egy precíziós-recall kompromisszumot tükröz. Egy eset-adaptív útválasztási stratégia tovább javította a Dice-mutatót a bázis- és a kiegészített modellek közötti választással.

Kapcsolódó: Bőrrák-diagnózis

A kutatás eredményeit az AutoPET-III tesztadatokon mérték, ahol a modell szignifikánsan jobb eredményeket ért el, mint a korábbi módszerek, az AutoPET-III tesztadatok 1611 vizsgálata alapján.

Kapcsolódó: Mellkasröntgen