Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O modelo da aprendizagem de máquina pode conseguir a classificação do patologista-nível de corrediças do câncer pulmonar

Usando avanços recentes na aprendizagem de máquina, uma equipa de investigação de Dartmouth desenvolveu uma rede neural profunda para classificar tipos diferentes de um formulário comum do câncer pulmonar em corrediças da histopatologia a nível da precisão mostrado para ser em pé de igualdade com patologistas

A aprendizagem de máquina melhorou dramàtica nos últimos anos e grande promessa mostrada no campo da análise de imagem médica. Uma equipe de especialistas da pesquisa no centro do cancro do algodão do Norris de Dartmouth utilizou capacidades de aprendizagem da máquina para ajudar no mundo inteiro com a tarefa desafiante dos testes padrões do tumor e dos subtipos de classificação do adenocarcinoma do pulmão, o formulário o mais comum da causa principal de mortes cancro-relacionadas.

Actualmente, o adenocarcinoma do pulmão, exige o exame visual do patologista de corrediças do lobectomy determinar os testes padrões e os subtipos do tumor. Esta classificação tem um papel importante no prognóstico e na determinação do tratamento para o câncer pulmonar, porém é uma tarefa difícil e subjetiva. Usando avanços recentes na aprendizagem de máquina, a equipe, conduzida por Saeed Hassanpour, PhD, desenvolveu uma rede neural profunda para classificar tipos diferentes de adenocarcinoma do pulmão em corrediças da histopatologia, e para encontrar que o modelo executou em pé de igualdade com três patologistas praticando.

“Nosso estudo demonstra que a aprendizagem de máquina pode conseguir o elevado desempenho em uma tarefa desafiante da classificação da imagem e tem o potencial ser um recurso à gestão do câncer pulmonar,” diz Hassanpour. “A aplicação clínica de nosso sistema poderia ajudar a patologistas para a classificação exacta de subtipos do câncer pulmonar, que é crítica para o prognóstico e o tratamento.”

As conclusões da equipe, do “a classificação Patologista-nível de testes padrões histologic em corrediças resected do adenocarcinoma do pulmão com redes neurais profundas” é publicada recentemente em relatórios científicos. Reconhecendo que a aproximação é potencial aplicável a outras tarefas da análise de imagem da histopatologia, a equipe de Hassanpour fez seu código publicamente - disponível para promover a pesquisa e colaborações novas neste domínio.

Além do que o teste do modelo de aprendizagem profundo em um ajuste clínico para validar sua capacidade para melhorar a classificação do câncer pulmonar, a equipe planeia aplicar o método a outras tarefas desafiantes da análise de imagem da histopatologia no peito, esofágico, e no cancro colorectal. “Se validado com os ensaios clínicos, nosso modelo de rede neural pode potencial ser executado na prática clínica ajudar a patologistas,” diz Hassanpour. “Nosso método da aprendizagem de máquina é igualmente rápido e pode processar uma corrediça em menos de um minuto, assim que poderia ajudar pacientes da triagem antes do exame por médicos e potencial extremamente ajudar a patologistas no exame visual das corrediças.”