Коротко о раке
- Пространственно-временное гибридное слияние трансформеров CAE и SWIn для прогнозирования злокачественных новообразований рака легкого(arXiv)
Автор: Садаф Хадеми, Шахин Хейдарян, Парниан Афшар, Фарнуш Надерхани, Анастасия Ойконому, Константинос Платаниотис, Араш Мохаммади
Аннотация: в статье предлагается новая гибридная концепция Radiomics, которая одновременно объединяет временные и пространственные характеристики, извлеченные из нетонких срезов компьютерной томографии (КТ) грудной клетки, для прогнозирования злокачественности аденокарциномы легкого (LUAC) с минимальным участием экспертов. Рак легкого является ведущей причиной смертности от рака во всем мире и имеет различные гистологические типы, среди которых в последнее время наиболее распространен LUAC. LUAC классифицируются как преинвазивные, минимально инвазивные и инвазивные аденокарциномы. Своевременное и точное знание злокачественности узлов легких позволяет составить правильный план лечения и снизить риск ненужных или поздних операций. В настоящее время КТ грудной клетки является основным методом визуализации для оценки и прогнозирования инвазивности LUAC. Однако анализ рентгенологов, основанный на КТ-изображениях, является субъективным и страдает от низкой точности по сравнению с достоверными патологическими обзорами, полученными после хирургических резекций. Предлагаемая гибридная структура, именуемая CAET-SWin, состоит из двух параллельных путей: (i) пути преобразователя Convolutional Auto-Encoder (CAE), который извлекает и фиксирует информативные признаки, связанные с отношениями между срезами, посредством модифицированной архитектуры преобразователя, и; (ii) Путь преобразования сдвинутого окна (SWin), который представляет собой иерархический преобразователь зрения, который извлекает пространственные характеристики, связанные с узлами, из объемного КТ. Извлеченные временные (из пути CAET) и пространственные (из пути Swin) затем объединяются по пути слияния для классификации LUAC. Экспериментальные результаты нашего внутреннего набора данных из 114 патологически доказанных субсолидных узлов (SSN) демонстрируют, что CAET-SWin значительно повышает надежность задачи прогнозирования инвазивности, достигая точности 82,65%, чувствительности 83,66% и специфичности 81,66. % с использованием 10-кратной перекрестной проверки.
2.Компьютерная диагностика рака с помощью машинного и глубокого обучения: сравнительный обзор(arXiv)
Автор:Солен Бечелли
Аннотация: В последние годы наблюдается значительный рост числа случаев рака. Однако диагностика рака часто бывает сложной и зависит от типов изображений, предоставленных для анализа. Это требует высокой квалификации практикующих специалистов, но часто отнимает много времени и подвержено ошибкам. Если машинное обучение и алгоритмы глубокого обучения широко используются, всесторонний обзор методов, используемых от этапов предварительной обработки до окончательного прогноза, отсутствует. В этом обзоре мы стремимся предоставить всесторонний обзор текущих шагов, необходимых для создания эффективного и точного алгоритма машинного обучения для прогнозирования, обнаружения и классификации рака. Для этого мы собираем результаты исследования, связанного с раком, с использованием ИИ за последние годы. Мы включаем различные виды рака, которые охватывают разные типы изображений и, следовательно, разные связанные методы. Мы показываем, что были достигнуты огромные улучшения в раннем обнаружении раковых опухолей и тканей. Используемые методы разнообразны и часто ориентированы на проблему, и наши выводы подтверждаются изучением большого количества исследований. Кроме того, мы исследуем подходы, наиболее подходящие для различных типов изображений, таких как гистология, дерматоскопия, МРТ и т. д. В этой работе мы обобщаем основные результаты последних лет в области обнаружения рака с использованием методов глубокого обучения. Мы обсуждаем проблемы исследования рака, связанные с большими расхождениями в изображениях, и приводим некоторые заметные результаты в области рака легких, молочной железы и кожи.
3. Интерактивная система интерпретации для скрининга рака молочной железы с помощью глубокого обучения(arXiv)
Автор:Южэ Лу, Адам Перер
Аннотация:Методы глубокого обучения, в частности сверточные нейронные сети, стали мощным инструментом в задачах обработки медицинских изображений. Хотя эти сложные модели обеспечивают превосходную производительность, их характер «черного ящика» может препятствовать их реальному внедрению при принятии важных решений. В этой статье мы предлагаем интерактивную систему, позволяющую воспользоваться преимуществами современных методов интерпретации, чтобы помочь рентгенологам в скрининге рака молочной железы. Наша система интегрирует модель глубокого обучения в рабочий процесс рентгенологов и обеспечивает новые взаимодействия, способствующие пониманию процесса принятия решений с помощью модели. Кроме того, мы демонстрируем, что наша система может постепенно использовать преимущества взаимодействия с пользователем, чтобы предоставлять более подробные отчеты об объяснимости с небольшими накладными расходами. Из-за общего характера принятого метода интерпретации наша система не зависит от предметной области и может использоваться для многих различных задач обработки медицинских изображений, представляя новый взгляд на то, как мы можем использовать визуальную аналитику для преобразования изначально статических методов интерпретации, чтобы улучшить принятие решений человеком. создание и продвижение медицинского ИИ
