Машинное обучение (МО) – это алгоритмический подход, который использует большие данные для выявления закономерностей и создания прогнозов, классификаций и оптимизации для конкретных задач. Это мощный инструмент, который может обеспечить высокую производительность, особенно в области визуальной диагностики интерстициального заболевания легких. Изучая ранее наблюдаемые данные, машинное обучение может эффективно выявлять и классифицировать шаблоны, чтобы помочь в точной и эффективной диагностике. В этой статье мы узнаем, как искусственный интеллект дает новую надежду пациентам с идиопатическим легочным фиброзом.
По данным Национальных институтов здоровья (NIH) около 100 000 человек в США больны ИЛФ. Ежегодно диагностируется от 30 000 до 40 000 новых случаев.
Что такое идиопатический легочный фиброз?
Идиопатический легочный фиброз — хроническое прогрессирующее заболевание легких. Это состояние вызывает образование рубцовой ткани (фиброз) в легких, из-за чего легкие не могут эффективно транспортировать кислород в кровоток.
Общие признаки
Можно упомянуть некоторые общие признаки, такие как одышка и постоянный сухой отрывистый кашель. Многие пострадавшие люди также испытывают потерю аппетита и постепенную потерю веса. У некоторых людей с идиопатическим легочным фиброзом кончики пальцев рук и ног расширяются и закругляются (барабанные палочки) в результате нехватки кислорода.
Применение искусственного интеллекта при идиопатическом легочном фиброзе
1. Идентифицируйте и сегментируйте изображения интерстициального заболевания легких на компьютерной томографии высокого разрешения (HRCT)
Подходы машинного обучения, в частности глубокое обучение, могут использоваться для идентификации, классификации и сегментации изображений интерстициального заболевания легких (ИЗЛ) на КТВР. Обычно используемый подход представляет собой метод сегментации сверточной нейронной сети (CNN), такой как U-Net. Методы увеличения данных, такие как отражение, вращение, обрезка и масштабирование, могут использоваться для увеличения объема доступных обучающих данных.
Комбинируя методы увеличения данных и глубокого обучения, можно повысить точность морфологической классификации фиброза.
Алгоритмы машинного обучения также можно использовать для классификации HRCT-изображений легочного фиброза на основе критериев ATS/ERS/JRS/ALAT 2011 года и критериев Общества Флейшнера 2018 года.
2. Оценить эффективность антифиброзной терапии у пациентов с ИЛФ
ML используется для оценки эффективности антифиброзной терапии у пациентов с ИЛФ путем анализа и количественной оценки КТ-изображений легких пациентов, что позволяет эффективно получить представление о прогрессировании заболевания или влиянии лечения. Одним из таких количественных методов является программное обеспечение CALIPER, которое извлекает данные путем обработки изображений компьютерной томографии высокого разрешения (HRCT) для выявления и отслеживания нескольких чувствительных к КТ характеристик, таких как ретикуляция, сотовая структура или особенности на основе текстуры.
Сопоставляя характеристики КТ, полученные с помощью CALIPER, с параметрами функции легких, такими как форсированная жизненная емкость легких (ФЖЕЛ) и объем форсированного выдоха за 1 секунду (ОФВ1), программное обеспечение обеспечивает объективную оценку тяжести легочного фиброза и позволяет отслеживать реакцию на лечение.
Важно отметить, что при использовании машинного обучения для оценки эффективности антифиброзной терапии у пациентов с ИЛФ существуют некоторые ограничения и проблемы, такие как необходимость больших наборов обучающих данных, точное выполнение измерения объема легких и потенциальное влияние дозы облучения. по измерениям, полученным с помощью CT
Поймите роль высококачественных наборов данных в этой области. Платформы для маркировки медицинских данных предлагаются бесплатно по адресу: Платформы ВинЛаб.
3. Отслеживание и прогнозирование прогрессирования заболевания.
ИИ может помочь предсказать прогрессирование заболевания и результаты лечения, анализируя данные пациентов и историю болезни. Это может помочь клиницистам принимать обоснованные решения о вариантах лечения и позволить более раннее вмешательство для замедления прогрессирования заболевания.
CALIPER — это инструмент машинного обучения, который оказался полезным для отслеживания и прогнозирования прогрессирования заболевания у пациентов с ИЗЛ. Инструмент позволяет проводить количественный анализ изображений HRCT для определения чувствительных к КТ характеристик, которые могут точно предсказать смерть у пациентов с ИЗЛ. Также было показано, что параметры CALIPER хорошо соответствуют результатам функции легких и могут быть мощным и объективным дополнением к традиционным показателям функции легких при отсутствии искажающих факторов, влияющих на функцию легких.
Чтобы оценить состояние 2424 пациентов и спрогнозировать тяжесть течения легочного фиброза, Sikandar et al. [19] построили и обучили модель Forest. Чувствительность и точность модели составили 0,71 и 0,64 соответственно. Эта модель поможет медицинским работникам точно диагностировать пациентов с ИЛФ, определять тяжесть заболевания на ранней стадии и принимать оперативные корректирующие меры для лечения ИЛФ.
4. Разработать модели для диагностики и классификации легочного фиброза
Путем анализа изображений HRCT пациентов с интерстициальными заболеваниями легких (ИЗЛ). Эти подходы включают использование сверточных нейронных сетей (CNN), таких как модель U-Net, которая широко используется для сегментации изображений ILD.
Сначала подготавливается набор данных изображений HRCT для обучения модели глубокого обучения. Это может включать в себя дополнение существующих данных путем применения различных преобразований, таких как отражение изображения, вращение, обрезка и масштабирование. Этот процесс увеличения данных увеличивает разнообразие набора данных и помогает улучшить производительность модели.
Затем начинается процесс обучения, где модель учится обнаруживать и классифицировать различные морфологические особенности, связанные с легочным фиброзом, такие как ретикуляция, сотовая структура и неправильные линейные тени. Затем точность обученной модели оценивается на отдельном наборе изображений HRCT, которые не использовались на этапе обучения.
Как только модель станет достаточно точной для диагностики и классификации легочного фиброза, клиницисты могут использовать ее для оценки тяжести заболевания и помощи в принятии решений о лечении.
Модель леса, разработанная Sikandar et al. достигли чувствительности 0,71 и точности 0,64 в прогнозировании тяжести легочного фиброза у пациентов. Такие модели могут помочь клиницистам сделать своевременный выбор лечения и потенциально избежать инвазивных хирургических процедур биопсии легких.
Спасибо, что прочитали!
Если вы ищете информацию о машинном обучении, искусственном интеллекте или данных в области общей или медицинской визуализации. Подпишитесь на нас, чтобы получить больше полезной информации об этих трех ключевых словах.
Свяжитесь с нами
Электронная почта: [email protected]
Твиттер: https://twitter.com/VinLab_io
YouTube: https://www.youtube.com/@Vinlab-MedicalImageAnnotation
Проект с открытым исходным кодом: https://github.com/vinbigdata-medical/vindr-lab