Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le modèle d'apprentissage automatique peut réaliser la catégorie niveau du pathologiste des guides de cancer de poumon

Utilisant des progrès récents dans l'apprentissage automatique, une équipe de recherche de Dartmouth a développé un réseau neuronal profond pour classifier différents types d'une forme courante de cancer de poumon sur des guides d'histopathologie à un niveau d'exactitude montré pour être à l'égal des pathologistes

L'apprentissage automatique s'est amélioré spectaculairement ces dernières années et promesse grande montrée dans le domaine de l'analyse d'image médicale. Une équipe des spécialistes en recherches au centre de lutte contre le cancer de coton de Norris de Dartmouth ont utilisé des capacités d'apprentissage automatique pour assister la tâche provocante des configurations de tumeur et des sous-types de classement d'adénocarcinome de poumon, la forme la plus courante de la principale cause des morts liées au cancer mondiales.

Actuel, l'adénocarcinome de poumon, exige de l'inspection visuelle du pathologiste des guides de lobectomie de déterminer les configurations et les sous-types de tumeur. Cette catégorie a un rôle majeur dans le pronostic et la détermination de la demande de règlement pour le cancer de poumon, toutefois est une tâche difficile et subjective. Utilisant des progrès récents dans l'apprentissage automatique, l'équipe, aboutie par Saeed Hassanpour, PhD, a développé un réseau neuronal profond pour classifier différents types d'adénocarcinome de poumon sur des guides d'histopathologie, et pour constater que le modèle a exécuté à l'égal de trois pathologistes de pratique.

« Notre étude explique que l'apprentissage automatique peut réaliser la haute performance sur une tâche provocante de catégorie d'image et a le potentiel d'être des moyens au management de cancer de poumon, » dit Hassanpour. « La mise en place clinique de notre système pourrait aider des pathologistes pour la catégorie précise des sous-types de cancer de poumon, qui est critique pour le pronostic et la demande de règlement. »

Les conclusions de l'équipe, « la catégorie niveau du pathologiste des configurations histologiques sur les guides réséqués d'adénocarcinome de poumon avec les réseaux neuronaux profonds » sont neuf publiée dans des états scientifiques. Identifiant que l'approche s'applique potentiellement à d'autres tâches d'analyse d'image d'histopathologie, l'équipe de Hassanpour a rendu leur indicatif publiquement - procurable pour encourager la recherche et les collaborations neuves dans ce domaine.

En plus de vérifier le modèle apprenant profond dans un réglage clinique pour valider sa capacité d'améliorer la catégorie de cancer de poumon, l'équipe planification pour s'appliquer la méthode à d'autres tâches provocantes d'analyse d'image d'histopathologie dans le sein, oesophagien, et le cancer colorectal. « Si validé par des tests cliniques, notre modèle de réseau neuronal peut potentiellement être mis en application dans la pratique clinique d'aider des pathologistes, » dit Hassanpour. « Notre méthode d'apprentissage automatique est également rapide et peut traiter un guide en moins d'une mn, ainsi elle pourrait aider des patients de sélection avant inspection par des médecins et potentiellement grand aider des pathologistes dans l'inspection visuelle des guides. »