Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La nueva aproximación del aprendizaje de máquina clasifica el tipo común de tumor cerebral

Una nueva aproximación del aprendizaje de máquina clasifica un tipo común de tumor cerebral en inferior o las altas pendientes con la exactitud del casi 98%, investigadores denuncian en el acceso de IEEE del gorrón.

Los científicos en la India y Japón, incluyendo del instituto de universidad de Kyoto para las ciencias integradas del Célula-Material (iCeMS), desarrollaron el método para ayudar a clínicos a elegir la estrategia más efectiva del tratamiento para los pacientes individuales.

Las gliomas son un tipo común de tumor cerebral que afecta a las células glial, que ofrecen el apoyo y el aislamiento para las neuronas. El tratamiento paciente varía dependiendo de la agresividad del tumor, así que es importante conseguir la derecha de la diagnosis para cada uno individual.

Los radiólogos obtienen muy una gran cantidad de datos de exploraciones de MRI para reconstruir una imagen 3D del tejido explorado. Mucho de los datos disponibles en exploraciones de MRI no se puede descubrir por el aro descubierto, tal como detalles relacionados con la forma del tumor, la textura, o la intensidad de la imagen.

Los algoritmos de la inteligencia (AI) artificial ayudan a extraer estos datos. Los oncólogos médicos han estado utilizando esta aproximación, llamada radiomics, todavía para perfeccionar diagnosis del paciente, pero necesidades de la exactitud de ser aumentado.

el bioengineer Ganesh Pandian Namasivayam del iCeMS colaboró con el científico indio Balasubramanian Raman de los datos de Roorkee para desarrollar una aproximación del aprendizaje de máquina que puede clasificar gliomas en pendiente inferior o alta con la exactitud 97,54%.

Las gliomas de la calidad inferior incluyen astrocytoma pilocytic de la pendiente I y la glioma de calidad inferior de la pendiente II. Éstos son el los menos agresivos y menos malos de los tumores de la glioma. Las gliomas de la alta pendiente incluyen la glioma de la pendiente III y el multiforme malos del glioblastoma de la pendiente IV, que son mucho más agresivas y más malas con un rato de supervivencia relativamente corto de la poste-diagnosis.

La opción del tratamiento paciente depende en gran parte de poder determinar nivelar de la glioma.

Las personas, incluyendo Rahul Kumar, Ankur Gupta y Harkirat Singh Arora, utilizaron un grupo de datos de las exploraciones de MRI que pertenecían a 210 personas con las gliomas de la alta pendiente y a otros 75 con las gliomas de la calidad inferior.

Desarrollaron una aproximación llamada CGHF, el cual representa: sistema de apoyo de cómputo de la decisión para la clasificación de la glioma usando radiomics híbrido y características cabrilla-basadas estacionarias.

Eligieron los algoritmos específicos para extraer características de algunas de las exploraciones de MRI y después entrenaron a otro algoritmo profético para tramitar estos datos y para clasificar las gliomas. Entonces probaron su modelo en el descanso de las exploraciones de MRI para fijar su exactitud.

“Nuestro método superó otras aproximaciones avanzadas para las pendientes de la glioma que predecían de exploraciones del cerebro MRI,” dice Balasubramanian. “Esto es muy considerable.”

Esperamos que las ayudas del AI desarrolle un modelo de programación profético de la máquina semiautomática o automática que pueda ayudar a doctores, a radiólogos, y a otros médicos facultativos a adaptar las mejores aproximaciones para sus pacientes individuales.”

Ganesh Pandiyan Namasivayam, Bioengineer del iCeMS, universidad de 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.