RSNA 2020การประชุมประจำปีของ Radiological Society of North America นำเสนอความก้าวหน้าทางการวิจัยล่าสุดและการพัฒนาผลิตภัณฑ์ในทุกด้านของรังสีวิทยา ต่อไปนี้คือผลการศึกษาที่คัดเลือกมาซึ่งนำเสนอในงานเสมือนจริงทั้งหมดในปีนี้ ซึ่งทั้งหมดนี้แสดงให้เห็นถึงบทบาทที่แพร่หลายมากขึ้นของเทคนิคปัญญาประดิษฐ์ (AI) ในการใช้งานภาพเพื่อการวินิจฉัย
โมเดลการเรียนรู้เชิงลึกช่วยตรวจจับ TB
การวินิจฉัยวัณโรคในระยะเริ่มแรกมีความสำคัญต่อการรักษาที่มีประสิทธิภาพ แต่สิ่งนี้สามารถพิสูจน์ได้ว่าเป็นความท้าทายสำหรับประเทศที่ขาดแคลนทรัพยากรและขาดแคลนนักรังสีวิทยา ในการจัดการกับอุปสรรคนี้ Po-Chih Kuo จากสถาบันเทคโนโลยีแมสซาชูเซตส์และเพื่อนร่วมงานได้พัฒนารูปแบบการตรวจหาวัณโรคที่อาศัยการเรียนรู้เชิงลึก แบบจำลองนี้เรียกว่า TBHoNet วิเคราะห์ภาพถ่ายของการเอ็กซ์เรย์ทรวงอกที่ถ่ายด้วยกล้องโทรศัพท์
นักวิจัยได้ใช้ชุดข้อมูลสาธารณะ 3 ชุดสำหรับการฝึกจำลอง การถ่ายโอน และการประเมิน พวกเขาเตรียมโครงข่ายประสาทเทียมบนฐานข้อมูลที่มีเอ็กซ์เรย์ทรวงอก 250,044 ชิ้นพร้อมฉลากเกี่ยวกับปอด 14 ชิ้นซึ่งไม่รวมวัณโรค จากนั้นจึงทำการปรับเทียบแบบจำลองใหม่สำหรับภาพถ่ายเอ็กซ์เรย์หน้าอกโดยใช้วิธีการจำลองเพื่อเพิ่มชุดข้อมูล ในที่สุด ทีมงานได้สร้าง TBHoNet โดยเชื่อมต่อโมเดลที่ฝึกไว้ล่วงหน้ากับโครงข่ายประสาทเทียม 2 ชั้นเพิ่มเติมที่ได้รับการฝึกฝนเกี่ยวกับภาพเอ็กซ์เรย์ทรวงอกเสริม (50 TB; 80 ปกติ)
เพื่อทดสอบประสิทธิภาพของโมเดล นักวิจัยใช้ภาพถ่ายเอ็กซ์เรย์ทรวงอก 662 ภาพ (336 TB; 326 ปกติ) ที่ถ่ายโดยโทรศัพท์ห้าเครื่อง TBHoNet แสดง AUC 0.89 สำหรับการตรวจจับ TB ความไวและความจำเพาะของการจำแนกประเภทวัณโรคอยู่ที่ 81% และ 84% ตามลำดับด้วยการตัดที่เหมาะสมที่สุด
ทีมงานสรุปว่า TBShoNet มีวิธีการพัฒนาอัลกอริธึมที่สามารถติดตั้งบนโทรศัพท์เพื่อช่วยเหลือผู้ให้บริการด้านการดูแลสุขภาพในพื้นที่ที่นักรังสีวิทยาและภาพดิจิตอลความละเอียดสูงไม่สามารถใช้ได้ “เราจำเป็นต้องขยายโอกาสด้านปัญญาประดิษฐ์ทางการแพทย์ไปสู่การตั้งค่าทรัพยากรที่จำกัด” Kuo กล่าว
อัลกอริทึมทำนายความเสี่ยงมะเร็งเต้านม
นักวิจัยจากโรงพยาบาล Massachusetts General Hospital ( MGH ) ได้พัฒนาอัลกอริธึมการเรียนรู้เชิงลึกที่คาดการณ์ความเสี่ยงของผู้ป่วยในการเป็นมะเร็งเต้านมโดยใช้เครื่องตรวจทางชีวภาพด้วยภาพแมมโมแกรมเพียงอย่างเดียว โมเดลใหม่นี้สามารถทำนายความเสี่ยงได้อย่างแม่นยำมากกว่าเครื่องมือประเมินความเสี่ยงแบบเดิม
ตรวจแมมโมแกรม นักเทคโนโลยีรังสีถ่ายภาพด้วยการตรวจเต้านม แบบจำลองการประเมินความเสี่ยงที่มีอยู่จะวิเคราะห์ข้อมูลของผู้ป่วย (เช่น ประวัติครอบครัว การตรวจชิ้นเนื้อเต้านมก่อนหน้า และประวัติเกี่ยวกับฮอร์โมนและการสืบพันธุ์) บวกกับคุณลักษณะเดียวจากการตรวจแมมโมแกรม: ความหนาแน่นของเต้านม แต่แมมโมแกรมทุกอันมีไบโอมาร์คเกอร์เกี่ยวกับการถ่ายภาพที่ไม่เหมือนใครซึ่งสามารถทำนายความเสี่ยงมะเร็งในอนาคตได้สูง อัลกอริธึมใหม่สามารถใช้ biomarkers เกี่ยวกับการถ่ายภาพที่ละเอียดอ่อนเหล่านี้เพื่อทำนายความเสี่ยงในอนาคตของผู้หญิงที่จะเป็นมะเร็งเต้านม
Leslie Lambนักรังสีวิทยาเต้านมที่ MGH กล่าวว่า “แบบจำลองการประเมินความเสี่ยงแบบดั้งเดิมไม่ได้ใช้ระดับรายละเอียดที่มีอยู่ในแมมโมแกรม “แม้แต่แบบจำลองความเสี่ยงแบบดั้งเดิมที่ดีที่สุดที่มีอยู่ก็อาจแยกกลุ่มย่อยของผู้ป่วยได้ แต่อาจไม่แม่นยำเท่าในแต่ละระดับ”
ทีมพัฒนาอัลกอริธึมโดยใช้ข้อมูลการคัดกรองมะเร็งเต้านมจากประชากร รวมทั้งผู้หญิงที่เป็นมะเร็งเต้านม การปลูกถ่าย หรือการตัดชิ้นเนื้อมาก่อน ชุดข้อมูลประกอบด้วยการตรวจแมมโมแกรม 2 มิติแบบดิจิทัล 2 มิติต่อเนื่องกัน 245,753 ครั้งในผู้ป่วย 80,818 คน จากข้อมูลเหล่านี้ มีการใช้ข้อสอบ 210,819 รายการสำหรับการฝึกอบรม 25,644 รายการสำหรับการทดสอบ และ 9290 รายการสำหรับการตรวจสอบ
นักวิจัยได้เปรียบเทียบความถูกต้องของแบบจำลอง
การเรียนรู้เชิงลึกด้วยภาพอย่างเดียวกับแบบจำลองการประเมินความเสี่ยงเชิงพาณิชย์ (อิงจากประวัติทางคลินิกและความหนาแน่นของเต้านม) ในการทำนายมะเร็งเต้านมในอนาคตภายในห้าปีของการตรวจด้วยแมมโมแกรม โมเดลการเรียนรู้เชิงลึกบรรลุอัตราการคาดการณ์ที่ 0.71 ซึ่งดีกว่ารูปแบบความเสี่ยงแบบเดิมอย่างมีนัยสำคัญที่อัตรา 0.61
การตรวจตาสามารถวินิจฉัยโรคพาร์กินสันได้ตั้งแต่เนิ่นๆ
การวิจัยจากทีมวิจัยจากทีมวิจัย ของมหาวิทยาลัยฟลอริดาระบุว่าการตรวจตาแบบไม่รุกรานแบบง่ายๆ ร่วมกับเครือข่ายการเรียนรู้ด้วยเครื่องสามารถให้การวินิจฉัยโรคพาร์กินสันได้ตั้งแต่เนิ่นๆ
โรคพาร์กินสัน ซึ่งเป็นโรคที่ลุกลามอย่างรวดเร็วของระบบประสาทส่วนกลาง วินิจฉัยได้ยากในระยะเริ่มแรก ผู้ป่วยมักจะมีอาการเท่านั้น เช่น ตัวสั่น ความตึงของกล้ามเนื้อ และความสมดุลที่บกพร่อง หลังจากที่โรคได้ดำเนินไปและเกิดการบาดเจ็บที่สำคัญต่อเซลล์ประสาทโดปามีนในสมอง
การเสื่อมสภาพของเซลล์ประสาทเหล่านี้ทำให้ผนังเรตินาบางลงและหลอดเลือดขนาดเล็กของเรตินา ด้วยเหตุนี้ นักวิจัยจึงใช้แมชชีนเลิร์นนิงในการวิเคราะห์ภาพของอวัยวะ (พื้นผิวด้านหลังของดวงตาตรงข้ามกับเลนส์) เพื่อตรวจหาตัวบ่งชี้เบื้องต้นของโรคพาร์กินสัน พวกเขาทราบว่าสามารถถ่ายภาพอวัยวะเหล่านี้ได้โดยใช้อุปกรณ์พื้นฐานที่หาได้ทั่วไปในคลินิกตา หรือแม้แต่ถ่ายด้วยสมาร์ทโฟนด้วยเลนส์พิเศษ
นักวิจัยได้ใช้ชุดข้อมูลของภาพอวัยวะที่บันทึกจากผู้ป่วยโรคพาร์กินสันและกลุ่มควบคุมที่ตรงกับอายุและเพศ นักวิจัยได้ฝึกอบรมเครื่องสนับสนุนเวกเตอร์ (SVM) ในการจำแนกเครือข่ายเพื่อตรวจหาสัญญาณของโรคบนภาพ พวกเขาใช้เครือข่ายการเรียนรู้ด้วยเครื่องที่เรียกว่า U-Net เพื่อเลือกหลอดเลือดจากภาพอวัยวะ และใช้แผนที่หลอดเลือดที่เป็นผลลัพธ์เป็นอินพุตไปยังตัวแยกประเภท SVM ทีมงานแสดงให้เห็นว่าเครือข่ายการเรียนรู้ด้วยเครื่องเหล่านี้สามารถจำแนกโรคพาร์กินสันตามหลอดเลือดเรตินาโดยมีลักษณะสำคัญคือหลอดเลือดขนาดเล็ก
“การค้นพบที่สำคัญที่สุดเพียงอย่างเดียวของการศึกษานี้คือโรคทางสมองได้รับการวินิจฉัยว่าเป็นภาพพื้นฐานของตา คุณสามารถทำได้ภายในเวลาไม่ถึงนาที และค่าใช้จ่ายของอุปกรณ์นั้นน้อยกว่าเครื่อง CT หรือ MRI มาก” Maximillian Diaz หัวหน้าทีมวิจัย กล่าว “ถ้าเราทำการตรวจคัดกรองได้ทุกปี ความหวังก็คือเราจะสามารถจับผู้ป่วยได้มากขึ้นเร็วขึ้น ซึ่งจะช่วยให้เราเข้าใจโรคนี้ดีขึ้น และหาวิธีรักษาหรือวิธีที่จะชะลอการลุกลามได้”
Credit : balihai2007.com batterypoweredsystem.com blackrockemporium.com blaemuircottage.com bluemountainheart.net
