首页 » 消息 » AIHBA » 机器学习模型建立在成像方法的基础上以更好地检测卵巢病变
Machine learning model builds on imaging methods to better detect ovarian lesions

机器学习模型建立在成像方法的基础上以更好地检测卵巢病变

虽然卵巢癌是女性最致命的癌症类型,但只有大约 20% 的病例是在早期发现的,因为没有针对她们的真正筛查测试,也没有什么症状可以提示她们。此外,卵巢病变很难准确诊断——非常困难,事实上,超过 80% 的女性在接受手术切除病变并进行检测后没有发现癌症迹象。


华盛顿大学圣路易斯麦凯维工程学院生物医学工程教授 Quing Zhu 及其实验室成员已应用多种成像方法更准确地诊断卵巢癌。现在,他们开发了一种新的机器学习融合模型,该模型利用卵巢病变的现有超声特征来训练模型,以根据光声断层扫描拍摄的重建图像识别病变是良性还是癌性。传统上,机器学习一直专注于单一模态数据。最近的研究结果表明,多模态机器学习的性能优于单模态方法。在一项包含 600 多个感兴趣区域的 35 名患者的初步研究中,该模型的准确性为 90%。

这是第一项使用超声波来增强用于癌症诊断的光声断层扫描重建的机器学习性能的研究。研究结果发表在该杂志的 12 月号上 光声学.

“现有方法主要基于卵巢病变的大小和形状,不能为早期卵巢癌提供准确诊断,也不能对大型附件/卵巢病变进行风险评估,”该学院放射学教授朱说。医学。 “光声成像从血红蛋白浓度和血氧饱和度中添加了更多关于血管对比度的功能信息。”

Zhu 实验室的博士生 Yun Zou 开发了一种新的机器学习融合模型,通过将超声神经网络与光声断层扫描神经网络相结合来进行卵巢病变诊断。卵巢的癌性病变可以呈现出几种与超声不同的形态:一些是实性的,而另一些则在囊性病变内有乳头状突起,这使得它们更难诊断。为了改进超声的整体诊断,他们增加了光声成像的总血红蛋白浓度和血氧饱和度,这两者都是癌变卵巢组织的生物标志物。

“我们的结果表明,超声增强光声成像融合模型比其他方法更准确地重建了目标的总血红蛋白和血氧饱和度图,并改进了良性病变对卵巢癌的诊断,”邹说。

源链接

免责声明: 我在此声明我不拥有此内容的权利。所有权利属于所有者。无侵犯版权之意。如果我们的网站上有任何可能影响您的权利的信息,请通过info@aihba通知我们,我们将立即将其删除。

与我们聊天
与我们聊天
疑问、疑虑、问题?我们随时为您提供帮助!
连接中...
嘿!正在寻找有关我们的服务和会员选项的信息?我们可以提供帮助!
我们的操作员目前很忙。请稍后再试。
:
:
:
嘿!正在寻找有关我们的服务和会员选项的信息?我们可以提供帮助!
:
:
本次聊天已结束
这段对话有用吗?投票这个聊天会话。
好的 坏的