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.

Des tumeurs cérébrales pédiatriques peuvent être classifiées utilisant la représentation et l'apprentissage automatique pesés par diffusion

La diffusion a pesé la représentation et l'apprentissage automatique peut avec succès classifier le diagnostic et les caractéristiques des types courants de tumeurs cérébrales pédiatriques une étude multicentre dont le siège est en Grande-Bretagne, y compris WMG à l'université de Warwick a trouvé. Ceci signifie que la tumeur peut être caractérisée et traitée plus efficacement.

La plus grande cause du décès du cancer chez les enfants sont des tumeurs cérébrales dans une partie particulière du cerveau, appelée la fosse postérieure. Cependant, dans cet endroit, il y a trois types principaux de tumeur cérébrale, et de pouvoir les caractériser rapidement et efficacement peut être provocant.

Actuel une évaluation qualitative d'IRM par des radiologues est employée, toutefois superposer des caractéristiques radiologiques peut la rendre difficile à discerner qui le type de tumeur il est, sans confirmation de biopsie. Dans le papier, la « catégorie des tumeurs cérébrales pédiatriques par diffusion a pesé la représentation et l'apprentissage automatique », publiés dans les états scientifiques de tourillon, aboutis par l'université de Birmingham comprenant des chercheurs à partir de WMG, université de Warwick. L'étude a constaté que la catégorie diagnostique de tumeur peut être améliorée à l'aide de la représentation pesée par diffusion non envahissante, une fois combiné avec l'apprentissage automatique (AI).

La représentation pesée par diffusion comporte l'utilisation des séquences d'IRM avancées par détail, ainsi que du logiciel qui produit des images de la caractéristique donnante droit qui emploie la diffusion des molécules d'eau pour produire du contraste dans M. image. On peut alors extraire un plan apparent de coefficient (ADC) de diffusion, valeurs analysées dont peut être employé pour vous dire davantage au sujet de la tumeur.

Patients impliqués d'étude les 117 de cinq centres de demande de règlement primaire en travers du R-U avec des échographies de douze hôpitaux différents sur un total de dix-huit balayeurs différents, les images de eux se sont alors analysés et la région d'intérêts ont été entraînées par un radiologue expérimenté et un scientifique expert dans neuroimaging pédiatrique. Des valeurs de l'analyse des plans apparents de coefficient de diffusion des régions de ces images ont été alimentées aux algorithmes d'AI pour distinguer avec succès les trois types les plus courants de tumeurs cérébrales postérieures pédiatriques de fosse, d'une façon non envahissante.

Utilisant l'AI et les caractéristiques d'imagerie par résonance magnétique anticipées, telles que des valeurs apparentes de coefficient (ADC) de diffusion des images pesées par diffusion, peut potentiellement aider à discerner, d'une voie non envahissante, entre les trois types différents principaux de tumeurs pédiatriques dans la fosse postérieure, la région du cerveau où de telles tumeurs le plus couramment sont trouvées chez les enfants. »

Professeur Theo Arvanitis, auteur d'étude, directeur, institut de la santé de Digitals, WMG, université de Warwick

« Si cette technique d'imagerie avancée, combinée avec la technologie d'AI, peut être par habitude inscrite dans des hôpitaux il signifie que des tumeurs cérébrales d'enfance peuvent être caractérisées et classifiées plus efficacement, et signifie consécutivement que des demandes de règlement peuvent être poursuivies d'une façon plus rapide avec des effets favorables pour des enfants souffrant de la maladie. »

Professeur Andrew Peet, professeur de NIHR en oncologie pédiatrique clinique à l'université de Birmingham et de l'hôpital pour enfants de Birmingham ajoute :

« Quand un enfant vient à l'hôpital avec les sympt40mes qui pourraient les signifier ayez une tumeur cérébrale que l'échographie d'initiale est un temps si difficile pour la famille et tout naturellement ils veulent des réponses dès que possible. Ici nous avons combiné des échographies facilement disponibles avec l'artificial intelligence de fournir les hauts niveaux de l'exactitude diagnostique qui peuvent commencer à donner quelques réponses. Des études précédentes utilisant ces techniques ont été en grande partie limitées pour choisir les centres experts. Prouver qu'elles peuvent fonctionner en travers de tels un grand nombre d'hôpitaux ouvre la trappe à beaucoup d'enfants tirant bénéfice du diagnostic non envahissant rapide de leur tumeur cérébrale. Ce sont des périodes très passionnantes et nous sommes fonctionner dur maintenant pour commencer à rendre ces techniques d'artificial intelligence largement - procurables. »

Source:
Journal reference:

Novak, J., et al. (2021) Classification of paediatric brain tumours by diffusion weighted imaging and machine learning. Scientific Reports. doi.org/10.1038/s41598-021-82214-3.