Tiefe lernen—eine form von künstlicher Intelligenz—in der Lage war zu erkennen, bösartige Lungen-Knötchen auf low-Dosis Brust-Computertomographie (LDCT) scans mit einer Leistung erfüllt oder übertroffen werden, die von Experten Radiologen, Berichte eine neue Studie von Google und der Nordwestlichen Medizin.
Das deep-learning-system bietet eine automatisierte Bildauswertung system zu verbessern die Genauigkeit der frühen Lungenkrebs-Diagnose dazu führen könnte, dass eine frühere Behandlung. Die deep-learning-system wurde im Vergleich zum Radiologen auf LDCTs für Patienten, von denen einige hatten Biopsie bestätigte Krebserkrankungen in einem Jahr. In den meisten Vergleiche, die Modell durchgeführt oder besser als Radiologen.
Deep learning ist eine Technik, die lehrt Computern das lernen durch Beispiel.
Die deep-learning-system produziert auch weniger falsch positive Ergebnisse und weniger false negative-Fehler, die dazu führen, dass weniger unnötige follow-up-Verfahren und weniger verpasst Tumoren, wenn Sie verwendet wurden, in einer klinischen Einstellung.
Das Papier, veröffentlicht in Nature Medicine May 20.
„Die Radiologen in der Regel untersuchen Sie Hunderte von zwei-dimensionale Bilder oder „Scheiben“ in einem einzigen CT-scan, aber das neue machine-learning-system, Blick auf die Lunge in einem riesigen, dreidimensionalen Bild“, sagte Studie co-Autor Dr. Mozziyar Etemadi, ein Forschungs-Assistent professor für Anästhesiologie an der Northwestern University Feinberg School of Medicine und der Technik an das McCormick School of Engineering. „AI in 3-D ist viel empfindlicher in Ihrer Fähigkeit zur Früherkennung von Lungenkrebs als das menschliche Auge, bei 2-D-Bilder. Das ist technisch ‚4-D‘, weil es nicht nur auf der Suche an einem CT-scan, aber zwei (aktuellen und vorherigen scan) über die Zeit.
„Um die KI anzeigen die CTs auf diese Weise, Sie erfordern eine enorme computer-system von Google-Skala. Das Konzept ist neu, aber der eigentliche engineering ist es auch Roman, weil der Maßstab.“
Etemadi führt seine Forschungs-team, während auch in der Anästhesiologie residency-Ausbildung an der Northwestern University als Teil eines unique residency research track.
Etemadi ist dual-Rollen, mit denen die Forschung in seinem Labor, um die traverse technologischen und Kommunikation, Grenzen zwischen Gesundheitswesen und Maschinenbau. Sein Labor ist in der Basis befindet sich eine der Intensivstationen an der Northwestern Memorial Hospital zu ermöglichen die nahtlose Kommunikation zwischen Ingenieuren und Krankenschwestern, ärzten und anderen Leistungserbringern.
„Dieser Bereich der Forschung ist unglaublich wichtig, wie Lungenkrebs, hat die höchste Sterberate unter allen Krebserkrankungen, und es gibt viele Herausforderungen in den Weg, der die Breite Einführung von Lungenkrebs-screening,“ sagte Shravya Shetty, technischer Leiter bei Google. „Unsere Arbeit befasst sich mit den Möglichkeiten die KI kann verwendet werden, um die Genauigkeit zu erhöhen und die Optimierung der screening-Prozess, in einer Weise, dass könnte helfen bei der Umsetzung von screening-Programmen. Die Ergebnisse sind vielversprechend, und wir freuen uns auf die Fortsetzung unserer Arbeit mit Partnern und Kollegen.“
Lungenkrebs ist die häufigste Ursache von Krebs-bedingten Todes in den Vereinigten Staaten, was schätzungsweise rund 160.000 Todesfälle im Jahr 2018. Große klinische Studien in den Vereinigten Staaten und Europa haben gezeigt, dass Brust-screening identifizieren können, die Krebs und reduzieren die Sterblichkeit. Allerdings, hohe Fehlerquoten und der begrenzte Zugang zu diesen screenings bedeuten, dass viele Lungentumoren sind in der Regel festgestellt im fortgeschrittenen Stadium, wenn Sie schwer zu behandeln.
Die deep-learning-system nutzt sowohl die primäre CT-Untersuchung und, wenn verfügbar, einen vor der CT-Untersuchung vom Patienten als Eingabe. Vor der CT-scans sind nützlich bei der Vorhersage Lungenkrebs Malignom-Risiko, da das Wachstum der verdächtigen Lungen-Knötchen können ein Anzeichen für Malignität. Der computer war darauf trainiert, mit vollständig de-identifiziert, Biopsie-bestätigt Niedrigdosis Brust CT-scans.
Das neuartige system identifiziert eine region von Interesse und ob die region hat eine hohe Wahrscheinlichkeit von Lungenkrebs.
Das Modell übertroffen sechs Radiologen bei der bisherigen CT-Bildgebung nicht verfügbar war, und durchgeführt als auch die Radiologen, wenn es vor der Bildgebung.
„Das system kann kategorisieren, eine Läsion mit mehr Spezifität. Wir können nicht nur besser diagnostizieren, jemanden mit Krebs, können wir auch sagen, wenn jemand nicht Krebs haben, möglicherweise sparen Sie von eine invasive, teure und riskante lungenbiopsie,“ Etemadi sagte.
Google-Wissenschaftler entwickelt, der deep-learning-Modell übernommen und es 6,716 de-identifiziert CT-scan-sets zur Verfügung gestellt von der Northwestern Medizin, zu bestätigen die Richtigkeit des neuen Systems. Die Wissenschaftler fanden die künstliche-Intelligenz-powered-system war in der Lage zu erkennen, manchmal auch winzige malignen Lungen-Knötchen mit einem Modell AUC von 0,94 Testfälle. Die Fälle wurden gezogen aus dem Nordwestlichen Electronic Data Warehouse sowie andere Northwestern Medizin Datenquellen, als ein Ergebnis von komplexen, hochgradig angepasste software entwickelt von Etemadi ‚ s team.
„Die meisten der software, die wir als Kliniker ist entworfen für die Versorgung von Patienten, die nicht für die Forschung,“ Etemadi sagte. „Es dauerte über ein Jahr engagierte bemühen von meinem ganzen team zu extrahieren und vorbereiten der Daten zu helfen, mit diesem spannenden Projekt. Die Fähigkeit zur Zusammenarbeit mit Welt-Klasse-Wissenschaftler bei Google, mit Ihrer beispiellosen computing-Funktionen zu erstellen, die etwas mit dem Potenzial, zu speichern zig-Tausende von Menschen im Jahr das Leben ist wirklich ein Privileg.“