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 nuovo approccio di apprendimento automatico classifica il tipo comune di tumore cerebrale

Un nuovo approccio di apprendimento automatico classifica un tipo comune di tumore cerebrale nel minimo o gli alti gradi con accuratezza di quasi 98%, ricercatori riferiscono nel giornale IEEE Access.

Gli scienziati in India e nel Giappone, includenti dall'istituzione universitaria di Kyoto per le scienze del Cella-Materiale Integrated (iCeMS), hanno messo a punto il metodo per aiutare i clinici a scegliere la strategia del trattamento più efficace per i diversi pazienti.

I gliomi sono un tipo comune di tumore cerebrale che pregiudica le celle glial, che forniscono il supporto e l'isolante per i neuroni. Il trattamento paziente varia secondo l'aggressività del tumore, in modo da è importante ottenere la destra di diagnosi per ciascuno determinata.

I radiologi ottengono molto un gran numero di dati dalle scansioni di MRI per ricostruire un'immagine 3D del tessuto scandito. Gran parte dei dati disponibili nelle scansioni di MRI non può essere individuato a occhio nudo, quali i dettagli relativi alla forma del tumore, alla tessitura, o all'intensità dell'immagine.

Gli algoritmi di intelligenza (AI) artificiale contribuiscono ad estrarre questi dati. Gli oncologi medici stanno usando questo approccio, chiamato radiomics, per migliorare ancora le diagnosi del paziente, ma le necessità di accuratezza essere migliorato.

il bioengineer Ganesh Pandian Namasivayam del iCeMS ha collaborato con lo scienziato indiano Balasubramanian Raman di dati da Roorkee per sviluppare un approccio di apprendimento automatico che può classificare i gliomi nel minimo o nell'alto grado con accuratezza 97,54%.

I gliomi della qualità inferiore includono il astrocytoma pilocytic del grado I ed il glioma di qualità inferiore del grado II. Questi sono meno l'aggressivo e meno maligno dei tumori del glioma. I gliomi dell'alto grado comprendono il glioma del grado III e il multiforme maligni di glioblastoma del grado IV, che sono molto più aggressivi e più maligni con un tempo di sopravvivenza relativamente breve di post-diagnosi.

La scelta del trattamento paziente in gran parte dipende da potere determinare la classificazione del glioma.

Il gruppo, compreso Rahul Kumar, Ankur Gupta e Harkirat Singh Arora, ha usato un gruppo di dati dalle scansioni di MRI che appartengono a 210 persone con i gliomi dell'alto grado ed agli altri 75 con i gliomi della qualità inferiore.

Hanno sviluppato un approccio chiamato CGHF, a cui corrisponde: sistema di supporto alle decisioni di calcolo per la classificazione del glioma facendo uso del radiomics ibrido e delle funzionalità wavelet basate stazionarie.

Hanno scelto gli algoritmi specifici per l'estrazione delle funzionalità da alcune delle scansioni di MRI e poi hanno preparato un altro algoritmo premonitore per elaborare questi dati e per classificare i gliomi. Poi hanno verificato il loro modello sul resto delle scansioni di MRI per valutare la sua accuratezza.

“Il nostro metodo ha superato altri approcci avanzati per i gradi di predizione del glioma dalle scansioni di risonanza magnetica cerebrale,„ dice Balasubramanian. “Questo è abbastanza considerevole.„

Speriamo che guide di AI sviluppi un modello di software premonitore a macchina semiautomatico o automatico che può aiutare medici, i radiologi ed altri medici ad adattare i migliori approcci per i loro diversi pazienti.„

Ganesh Pandiyan Namasivayam, Bioengineer del iCeMS, università di Kyotu

Source:
Journal reference:

Kumar, R., et al. (2020) CGHF: A Computational Decision Support System for Glioma Classification Using Hybrid Radiomics- and Stationary Wavelet-Based Features. IEEE Access. doi.org/10.1109/ACCESS.2020.2989193.