Les chercheurs ont formé un ordinateur pour analyser des images de cancer du sein et pour classifier des tumeurs

Utilisant la technologie assimilée au type que le massage facial de pouvoirs et la reconnaissance vocale sur un smartphone, chercheurs à l'université du centre de lutte contre le cancer complet de la Caroline du Nord Lineberger ont formé un ordinateur pour analyser des images de cancer du sein et puis pour classifier les tumeurs avec de grande précision.

Dans une étude publiée dans le cancer du sein du tourillon NPJ, des chercheurs rapportés elles ont employé une forme d'apprentissage automatique appelé d'artificial intelligence, ou d'apprendre profondément, de former un ordinateur pour recenser certaines caractéristiques des tumeurs de cancer du sein des images. L'ordinateur a également recensé le type de tumeur basé sur les caractéristiques moléculaires et génomiques complexes, qu'un pathologiste ne peut pas encore recenser seule d'une illustration. Ils croient cette approche, alors que toujours dans ses stades précoces, pourraient éventuellement mener aux économies de coûts pour la clinique et dans la recherche sur le cancer de cancer du sein.

« Votre smartphone peut interpréter votre discours, et découverte et recenser des faces dans une photo, » a dit Heather de l'étude première auteur D. Couture, une aide à la recherche licenciée dans le service de côte d'UNC-Chapelle de l'informatique. « Nous employons la technologie assimilée où nous captons les propriétés abstraites dans les images, mais nous nous appliquons l'à un problème totalement différent. »

Pour l'étude, les chercheurs avaient l'habitude un ensemble de 571 images des tumeurs de cancer du sein de l'étude de cancer du sein de la Caroline pour former l'ordinateur pour classifier des tumeurs pour la pente, l'état de récepteur d'oestrogène, le sous-type PAM50 intrinsèque, le sous-type histologique, et la rayure de risque de récidive. Pour faire ceci, ils ont produit le logiciel qui a appris comment prévoir des marques des images utilisant un jeu de formation, de sorte que des images neuves aient pu être traitées de la même manière.

Ils avaient l'habitude alors un ensemble différent de 288 images pour vérifier la capacité de l'ordinateur de discerner des caractéristiques de la tumeur seule, comparant les réactions de l'ordinateur aux découvertes d'un pathologiste pour la pente et le sous-type de chaque tumeur, et aux tests indépendants pour des sous-types d'expression du gène. Ils ont trouvé que l'ordinateur pouvait discerner inférieur-intermédiaire contre des tumeurs de haut grade 82 pour cent du temps. Quand ils ont fait observer à deux pathologistes le grade tumoral pour le groupe inférieur-intermédiaire de pente, les pathologistes ont convenu les uns avec les autres environ 89 pour cent du temps, qui était légèrement plus élevé que l'exactitude de l'ordinateur.

De plus, l'ordinateur a recensé l'état de récepteur d'oestrogène, discerne entre les tumeurs canalaires et lobulaires, et déterminé si chaque cas a eu un haut ou à faible risque des hauts niveaux de récidive d'exactitude. Il a également recensé un des sous-types moléculaires de cancers du sein - le sous-type comme basique - qui est basé sur la façon dont des gènes dans la tumeur ont été exprimés - avec 77 pour cent d'exactitude.

« Utilisant l'artificial intelligence, ou l'apprentissage automatique, nous pouvions faire un certain nombre de choses que les pathologistes peuvent faire à une exactitude assimilée, mais nous pouvions également faire une chose ou deux que les pathologistes ne peuvent pas faire aujourd'hui, » avons dit Charles M. Perou, PhD, professeur discerné par Shaw de mai Goldman de l'oncologie moléculaire, le professeur d'UNC Lineberger de la génétique, et de la pathologie et du médicament de laboratoire à l'École de Médecine d'UNC. « Ceci a beaucoup de chemin à faire en termes de validation, mais je pense que l'exactitude va seulement aller mieux pendant que nous acquérons plus d'images pour former l'ordinateur avec. »

La capacité de l'ordinateur de recenser le sous-type comme basique excitait aux chercheurs, et a pu avoir des applications dans la cancérologie. Ils croient également que la technologie pourrait avoir des applications dans les communautés qui n'ont pas des moyens de pathologie ainsi que dans l'aide pour valider les découvertes des pathologistes.

« Nous avons été étonnés que l'ordinateur pouvait obtenir assez un de grande précision en estimant le risque de biomarqueur juste de regarder les illustrations, » avons dit MELiSSA Troester, PhD, un professeur d'UNC Lineberger dans l'école d'UNC Gillings de la santé publique globale. « Nous dépensons des milliers de dollars mesurant ces biomarqueurs utilisant les outils moléculaires, et cette méthode neuve peut prendre l'image et obtenir 80 pour cent d'exactitude ou les améliorer à estimer le phénotype ou le sous-type de tumeur. C'était assez étonnant. »

La couture a indiqué que la technique d'apprentissage profonde a été employée dans une gamme d'applications, y compris la reconnaissance vocale et les véhicules autonomes.

Les « êtres humains peuvent regarder un ou deux exemples de quelque chose, et puissent généraliser quand ils voient d'autres objectifs, » Couture ont dit. « Par exemple, les présidences viennent sous tant de différentes formes, mais nous pouvons l'identifier comme quelque chose que nous nous reposons en circuit. Les ordinateurs ont un moment beaucoup plus difficile généraliser des petites quantités de caractéristiques. Mais sur l'autre main, si elle vous fournissent assez de caractéristiques marquées, elles peuvent apprendre les concepts qui sont beaucoup plus complexes que les êtres humains peuvent évaluer visuellement - comme recenser le sous-type comme basique seule d'une image. »

Le seul aspect de leur travail, les chercheurs ont dit, étaient qu'ils pouvaient employer la technologie pour voir des caractéristiques des tumeurs que les êtres humains ne peuvent pas. Ils veulent figurer à l'extérieur ce que l'ordinateur voit, ainsi que pour étudier si la technologie pourrait prévoir des résultats.

« L'ordinateur a extrait beaucoup d'information des images, » Troester a dit. « Nous voudrions vérifier à quel point ces caractéristiques prévoient des résultats, et si nous pouvons employer ces caractéristiques avec des choses comme des caractéristiques moléculaires pour faire encore meilleur à donner à des patients un avis précis de ce que leur cours de la maladie ressemble, et quelles demandes de règlement pourraient être efficaces. »

Source : https://unclineberger.org/news/scientists-trained-a-computer