Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il modello di apprendimento automatico può raggiungere della la classificazione livella del patologo delle diapositive del cancro polmonare

Facendo uso degli avanzamenti recenti in apprendimento automatico, un gruppo di ricerca di Dartmouth ha sviluppato una rete neurale profonda per classificare i tipi differenti di moduli comuni del cancro polmonare sulle diapositive dell'istopatologia ad un livello di accuratezza indicato per essere alla pari dei patologi

L'apprendimento automatico è migliorato drammaticamente negli ultimi anni e grande promessa indicata nel campo di analisi sulla base di immagini medica. Un gruppo degli specialisti della ricerca al centro del Cancro del cotone del Norris di Dartmouth ha utilizzato le capacità di apprendimento automatico per assistere al compito provocatorio dei reticoli del tumore e dei sottotipi di classificazione dell'adenocarcinoma del polmone, il modulo più comune della causa principale delle morti in relazione con il Cancro universalmente.

Corrente, l'adenocarcinoma del polmone, richiede l'esame visivo del patologo delle diapositive della lobectomia di determinare i reticoli ed i sottotipi del tumore. Questa classificazione ha un ruolo importante nella prognosi e nella determinazione del trattamento per il cancro polmonare, comunque è un compito difficile e soggettivo. Facendo uso degli avanzamenti recenti in apprendimento automatico, il gruppo, piombo da Saeed Hassanpour, PhD, ha sviluppato una rete neurale profonda per classificare i tipi differenti di adenocarcinomi del polmone sulle diapositive dell'istopatologia e per trovare che il modello ha eseguito alla pari di tre patologi di pratica.

“Il nostro studio dimostra che l'apprendimento automatico può raggiungere il rendimento elevato su un compito provocatorio di classificazione di immagine ed ha il potenziale di essere un bene alla gestione del cancro polmonare,„ dice Hassanpour. “L'entrata in vigore clinica del nostro sistema potrebbe assistere i patologi per la classificazione accurata dei sottotipi del cancro polmonare, che è critica per la prognosi ed il trattamento.„

Le conclusioni del gruppo, “di classificazione livella del patologo dei reticoli istologici sulle diapositive resecate dell'adenocarcinoma del polmone con le reti neurali profonde„ recentemente è pubblicata nei rapporti scientifici. Riconoscendo che l'approccio è potenzialmente applicabile ad altre mansioni di analisi sulla base di immagini dell'istopatologia, il gruppo di Hassanpour ha messo a disposizione il loro codice pubblicamente - per promuovere la nuove ricerca e collaborazioni in questo dominio.

Oltre a verificare il modello d'apprendimento profondo in una regolazione clinica per convalidare la sua capacità di migliorare la classificazione del cancro polmonare, il gruppo pianificazione applicare il metodo ad altre mansioni provocatorie di analisi sulla base di immagini dell'istopatologia in petto, esofageo e nel cancro colorettale. “Se convalidato con i test clinici, il nostro modello di rete neurale può potenzialmente essere applicato nella pratica clinica assistere i patologi,„ dice Hassanpour. “Il nostro metodo di apprendimento automatico è egualmente veloce e può elaborare una diapositiva in meno di un minuto, in modo da potrebbe aiutare i pazienti della valutazione prima di esame dai medici e potenzialmente notevolmente assistere i patologi nell'esame visivo delle diapositive.„