Os pesquisadores treinaram um computador para analisar imagens do cancro da mama e para classificar tumores

Usando a tecnologia similar ao tipo que o facial das potências e o reconhecimento de voz em um smartphone, pesquisadores na universidade do centro detalhado do cancro de North Carolina Lineberger treinaram um computador para analisar imagens do cancro da mama e para classificar então os tumores com precisão alta.

Em um estudo publicado no cancro da mama do jornal NPJ, os pesquisadores relataram que usaram um formulário da inteligência artificial chamado aprendizagem de máquina, ou profundamente aprendizagem, treinar um computador para identificar determinadas características de tumores do cancro da mama das imagens. O computador igualmente identificou o tipo do tumor baseado nas características moleculars e genomic complexas, que um patologista não pode ainda identificar de uma imagem apenas. Acreditarem esta aproximação, quando ainda em suas fases iniciais, poderiam eventualmente conduzir às poupanças de despesas para a clínica e na pesquisa de cancro da mama.

“Seu smartphone pode interpretar seu discurso, e achado e para identificar as faces em uma foto,” disse urze D. Confecção do autor do estudo a primeira, um assistente de pesquisa graduado no departamento do monte da UNC-Capela da informática. “Nós estamos usando a tecnologia similar onde nós capturamos propriedades abstratas nas imagens, mas nós estamos aplicando-à um problema totalmente diferente.”

Para o estudo, os pesquisadores usaram um grupo de 571 imagens de tumores do cancro da mama do estudo do cancro da mama de Carolina para treinar o computador para classificar tumores para a categoria, o estado do receptor da hormona estrogénica, o subtipo PAM50 intrínseco, o subtipo histologic, e o risco de contagem do retorno. Para fazer este, criaram o software que aprendeu como prever etiquetas das imagens usando um grupo do treinamento, de modo que as imagens novas pudessem ser processadas da mesma forma.

Usaram então um grupo diferente de 288 imagens para testar a capacidade do computador para distinguir as características do tumor no seus próprios, comparando as respostas do computador aos resultados de um patologista para a categoria e o subtipo de cada tumor, e aos testes separados para subtipos da expressão genética. Encontraram que o computador podia distinguir baixo-intermediário contra tumores de primeira qualidade 82 por cento do tempo. Quando mandaram dois patologistas rever a categoria do tumor para o grupo baixo-intermediário da categoria, os patologistas concordaram um com o otro aproximadamente 89 por cento do tempo, que era ligeira mais alto do que a precisão do computador.

Além, o computador identificou o estado do receptor da hormona estrogénica, distingue entre tumores ductal e lobular, e determinado se cada caso teve um alto ou de baixo-risco de níveis elevados do retorno de precisão. Igualmente identificou um dos subtipos moleculars dos cancro da mama - básico-como o subtipo - que é baseado em como os genes dentro do tumor foram expressados - com 77 por cento de precisão.

“Usando a inteligência artificial, ou a aprendizagem de máquina, nós podíamos fazer um número de coisas que os patologistas podem fazer em uma precisão similar, mas nós podíamos igualmente fazer uma coisa ou dois que os patologistas não podem fazer hoje,” dissemos Charles M. Perou de UNC Lineberger, PhD, professor distinguido Shaw da oncologia molecular, professor de maio Goldman da genética, e da medicina da patologia e do laboratório na Faculdade de Medicina de UNC. “Isto tem o uma grande distância a percorrer em termos da validação, mas eu penso que a precisão está indo somente obter melhor enquanto nós adquirimos mais imagens para treinar o computador com.”

A capacidade do computador para identificar básico-como o subtipo era emocionante aos pesquisadores, e podia ter aplicações na investigação do cancro. Igualmente acreditam que a tecnologia poderia ter aplicações nas comunidades que não têm recursos da patologia assim como na ajuda validar os resultados dos patologistas.

“Nós fomos surpreendidos que o computador podia obter uma precisão consideravelmente alta em calcular o risco do biomarker apenas de olhar as imagens,” dissemos Melissa Troester de UNC Lineberger, PhD, um professor na escola de UNC Gillings da saúde pública global. “Nós gastamos milhares de dólares que medem aqueles biomarkers usando ferramentas moleculars, e este método novo pode tomar a imagem e obter 80 por cento de precisão ou melhorá-los em calcular o fenótipo ou o subtipo do tumor. Isso era consideravelmente surpreendente.”

Os confecções disseram que a tecnologia profundamente de aprendizagem estêve usada em uma escala de aplicações, incluindo o reconhecimento de voz e veículos autônomos.

Os “seres humanos podem olhar um ou dois exemplos de algo, e possam generalizar quando vêem outros objetos,” Confecção disseram. “Por exemplo, as cadeiras vêm em tão muitos formulários diferentes, mas nós podemos reconhecê-la como algo que nós nos sentamos sobre. Os computadores têm uma estadia muito mais dura generalizar das pequenas quantidades de dados. Mas na outra mão, se você fornece bastante dados etiquetados, podem aprender os conceitos que são muito mais complexos do que os seres humanos podem avaliar visualmente - como a identificação básico-como o subtipo de uma imagem apenas.”

O aspecto original de seu trabalho, os pesquisadores disseram, foram que podiam usar a tecnologia para ver características dos tumores que os seres humanos não podem. Querem figurar para fora o que o computador está vendo, assim como para estudar se a tecnologia poderia prever resultados.

“O computador extraiu muita informação das imagens,” Troester disse. “Nós gostaríamos de testar como bom estas características prevêem resultados, e se nós podemos usar estas características junto com coisas como os dados moleculars para fazer mesmo melhor em dar a pacientes uma vista precisa do que seu curso da doença olha como, e que tratamentos puderam ser eficazes.”

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