[ad_1]

بلوط بلوط ، بیماری. – محققان در بیمارستان عمومی ماساچوست (MGH) یک مدل آموزشی عمیق ایجاد کرده اند که نشانگرهای زیستی تصویربرداری ماموگرافی غربالگری را برای پیش بینی خطر ابتلا به سرطان پستان در بیمار با دقت بیشتری نسبت به ابزارهای سنتی ارزیابی خطر ، شناسایی می کند. . نتایج مطالعه در نشست سالانه انجمن رادیولوژی آمریکای شمالی (RSNA) ارائه شده است.

Leslie Lamb ، MD ، MSc ، رادیولوژیست پستان در MGH گفت: “مدل های سنتی ارزیابی خطر از میزان جزئیات موجود در ماموگرافی استفاده نمی کنند.” وی افزود: “حتی بهترین مدل های خطر سنتی موجود نیز می توانند زیر گروه ها را از بیماران جدا كنند ، اما در سطح فردی دقیق نیستند.”

در حال حاضر مدلهای ارزیابی خطر موجود تنها بخش کوچکی از داده های بیمار مانند سابقه خانوادگی ، نمونه برداری قبلی از پستان و سابقه هورمونی و تولید مثل را شامل می شوند. تنها یک ویژگی از ماموگرافی غربالگری ، تراکم پستان ، در مدل های سنتی موجود است.

“نویسنده ارشد ، کنستانس دی. لمان ، دکتر ، تصویربردار پستان ، گفت:” چرا ما باید خود را به تراکم پستان محدود کنیم وقتی این همه داده دیجیتالی در ماموگرافی هر زن وجود دارد؟ ” در MGH وی افزود: ماموگرافی هر زنی به اندازه رد پایش برای او منحصر به فرد است. این حاوی نشانگرهای زیستی برای تصاویری است که خطر ابتلا به سرطان را به شدت پیش بینی می کند ، اما تا زمانی که ابزار آموزش عمیق را نداشته باشیم ، نمی توانستیم این اطلاعات را برای بهبود مراقبت استخراج کنیم. بیماران. “

دکتر لمب و تیمی از محققان الگوریتم آموزش عمیق جدیدی را برای پیش بینی خطر سرطان پستان با استفاده از داده های پنج سایت غربالگری سرطان پستان MGH ایجاد کردند. این مدل بر روی جمعیتی که شامل زنانی با سابقه شخصی سرطان پستان ، ایمپلنت یا بیوپسی قبلی بود ، تهیه شده است.

این مطالعه شامل 245،753 ماموگرافی غربالگری دو بعدی متوالی روی 80818 بیمار بین سالهای 2009 و 2016 بوده است. از کل ماموگرافی های آموزشی ، 210819 معاینه در 56831 بیمار ، 25،644 معاینه از 7،021 بیمار برای آزمایش و 9290 معاینه از 3961 بیمار برای تأیید اعتبار.

محققان با استفاده از تجزیه و تحلیل آماری ، دقت مدل عمیق را فقط برای تصاویر با مدل ارزیابی خطر تجاری (نسخه 8 Tyrer-Cuzick) هنگام پیش بینی آینده سرطان پستان در مدت پنج سال از شاخص ماموگرافی مقایسه کردند. مدل یادگیری عمیق به یک درصد پیش بینی شده 0.71 دست یافت ، که به طور قابل توجهی بیش از مدل سنتی خطر بود که به درصد 0.61 رسید.

دکتر لمب گفت: “مدل یادگیری عمیق ما قادر است انواع متنوعی از نشانگرهای زیستی تصویربرداری خوب را به ماموگرافی تبدیل کند که می تواند خطر ابتلا به سرطان پستان در آینده را پیش بینی کند.”

دکتر لمب گفت که مدل جدید آموزش های عمیق در خارج از کشور در سوئد و تایوان مورد تأیید قرار گرفته است ، با مطالعات بیشتر در مورد جمعیت بیشتر آفریقایی-آمریکایی و اقلیت برنامه ریزی شده است.

هنگامی که رادیولوژیست ماموگرافی غربالگری بیمار را می خواند ، در MGH ، اطلاعاتی در مورد خطر آموزش دقیق در نرم افزار گزارش وجود دارد.

دکتر لمب گفت: “به دست آوردن و خواندن داده های متناقض یا از دست رفته مدل های سنتی خطر ممکن است طولانی شود.” “مدل عمیق فقط تصویر تصویری می تواند دسترسی بیشتر به ارزیابی دقیق تر و ارزان تر ریسک را فراهم کند و به تحقق وعده داروی دقیق کمک کند.”

###

نویسندگان مشترک آدام یالا ، استاد ، پیتر مایکل ، لیسانس و دکتر رجینا بارزیلای هستند.

برای کسب اطلاعات بیشتر و تصاویر ، به RSNA.org/press20 مراجعه کنید. برای مشاهده مطالب تحریم شده به یک حساب مطبوعاتی نیاز است.

RSNA انجمنی از رادیولوژیست ها ، انکولوژیست های پرتوی ، فیزیکدانان پزشکی و دانشمندان مرتبط است که از طریق آموزش ، تحقیقات و نوآوری های فناوری ، برتری در مراقبت از بیمار و ارائه مراقبت های بهداشتی را ارتقا می دهند. دفتر مرکزی این شرکت در اوک بروک ، ایلینوی است. (RSNA.org)

یادداشت ویراستار:
داده های موجود در این نسخه ها ممکن است با آنچه در خلاصه منتشر شده و آنچه در واقع در جلسه ارائه شده است متفاوت باشد ، زیرا محققان همچنان اطلاعات خود را تا جلسه به روز می کنند. برای اطمینان از اینکه از آخرین اطلاعات استفاده می کنید ، لطفاً با تیم روابط رسانه ای RSNA از طریق Newsroom به شماره 1-630-590-7762 تماس بگیرید.

برای اطلاعات ماموگرافی بیمار پسند ، به RadiologyInfo.org مراجعه کنید.

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.

[ad_2]

منبع: kolah-news.ir