A inteligência artificial (IA) mostra um compromisso extraordinário de analisar enormes conjuntos de dados de imagens médicas e detectar padrões que podem ser perdidos pelos observadores humanos. As explicações a-alucentes das varreduras cerebrais podem ajudar a melhorar o cuidado do tumor cerebral chamado gliomus, que geralmente é tratado, mas varia no risco de repetição. Investigadores do Hospital Infantil de Boston e investigadores de aliados no Hospital Infantil de Boston, e o câncer de infantil e o transtorno de Dana-Ferbar/Boston Children’s Canger and Blood, estavam em série em risco de repetição de câncer e treinaram algoritmos de educação profunda para analisar as próximas varreduras cerebrais e sinalizar pacientes. Seus resultados são publicados New England Journal of Medicine AiO
“Muitos gliomus pediátricos são curados sozinhos com a cirurgia, mas, quando re -infectados, podem ser destrutivos”, Benjamin Kanan, MD do Programa de Medicina de Brigham (AIM) da Mass, e Branjamin Kan, o Departamento de Oncologia do Departamento de Radiação do Hospital Brigham e Women. “É muito difícil estimar quem pode estar em risco de recorrência; portanto, os pacientes passam por um seguimento frequente -com ressonância magnética (RM), um processo que pode ser pressão e mais pesado para crianças e famílias. Precisamos melhor identificar pacientes com o maior risco de pacientes recorrentes”.
Estudos de doenças relativamente raras, como o câncer pediátrico, podem ser desafiadas por dados limitados. Esta pesquisa, financiada em parte dos Institutos Nacionais de Saúde, foi auxiliada na parceria institucional em todo o país para coletar cerca de 4.000 varredores de RM em 715 pacientes pediátricos. Os pacientes com IA têm uma estratégia chamada aprendizado temporal para repetir com mais precisão o que pode “aprender” com as varreduras cerebrais do cérebro, que treinou o modelo para acumular os resultados obtidos de múltiplas varreduras cerebrais realizadas após a cirurgia por vários meses.
Geralmente, os modelos de IA para imagem médica são treinados para tirar a conclusão de uma única varredura; Com a aprendizagem temporal, que não foi usada para pesquisas de IA antes, as imagens adquiridas ao longo do tempo notificam a previsão do algoritmo de repetição do câncer. Para desenvolver o modelo de aprendizado temporal, os pesquisadores primeiro treinaram o modelo para sequenciar as varreduras pós-cirurgia de um paciente em ordem cronológica para que o modelo pudesse aprender a identificar mudanças sutis. A partir daí, os pesquisadores sintonizam o modelo sutil para atribuir alterações adequadamente à repetição do câncer, onde a música adequada.
No final, os pesquisadores descobriram que o modelo de aprendizagem temporal previu a repetição gliotar de baixa ou alta qualidade em um ano após o tratamento, com a precisão de 75-89 %-é melhor o suficiente para ser melhor que a precisão baseada naquele, não cerca de 50 % (melhor que a oportunidade). A IA fornecida com as imagens do próximo post de tratamento aumenta a precisão da previsão do modelo, mas apenas quatro a seis imagens foram necessárias antes de se tornarem as planícies de melhoria.
Os pesquisadores alertaram que é necessária mais validade em ambientes adicionais antes da aplicação clínica. No final, eles esperam lançar ensaios clínicos de que o cuidado das previsões de risco de Ignorante da AC possa melhorar para reduzir a frequência de impulso para pacientes com pacientes arriscados ou tratar pacientes com alto risco com tratamento útil alvo.
“Mostramos que a IA não é apenas uma única varredura, mas também analisando e prevendo efetivamente várias imagens”, disse o Programa de AIM da Mass General Brigham e o primeiro autor do Departamento de Oncologia de Radiação de Brigham, Divansu Tak, MS. “Essa técnica pode ser aplicada a muitas configurações em que os pacientes recebem imagens em série longitudinais e estamos interessados em ver o que inspira esse projeto”.
Autor: Indiano para Mak, Brigadham Beniam Biniam. ROPAISA, JAPAHISH, JERHOTHA, MAHOHOTHA, MAHUTI, TAFADJAWA, TAFADJAWA DIAGEM. Judanely autora Sridar Bazapame, Rowan Carlos Clement Clemet
Fundos: Este estudo foi apoiado pelo Instituto Nacional de Saúde/ Instituto Nacional de Câncer (NIH/ NCI) (U54 CA 274516 e P50 CA 165962) e consórcio de glioma de baixa grau Boatha-Chalan. Gostaríamos de reconhecer a rede de tumores cerebrais das crianças (CBTN) para acesso e acesso aos dados clínicos.
