Die Verwendung von künstlicher Intelligenz, um vorherzusagen, das Risiko von Schilddrüsen-Krebs im Ultraschall

Schilddrüse Knötchen sind kleine Klumpen, die form innerhalb der Schilddrüse und sind Recht Häufig in der Allgemeinen Bevölkerung mit einer Prävalenz so hoch wie 67%. Die große Mehrheit der Schilddrüsen-Knoten sind nicht bösartig und verursachen keine Symptome. Allerdings gibt es derzeit nur Richtlinien, was zu tun mit einem Knoten, wenn die Gefahr von Krebs, ist ungewiss. Eine neue Studie aus Dem Sidney Kimmel Cancer Center—Jefferson Gesundheit untersucht werden, ob eine nicht-invasive Methode der Ultraschall-Bildgebung, kombiniert mit einem Google-Plattform der machine-learning-Algorithmus, der verwendet werden könnte, als eine schnelle und kostengünstige erste Bildschirm für Schilddrüsen-Krebs.

„Derzeit Ultraschall kann uns sagen, ob ein Knoten verdächtig, und dann die Entscheidung getroffen wird, ob ein Nadel-Biopsie oder nicht“, sagt Elizabeth Cottril, MD, ein HNO-Arzt an der Thomas Jefferson University und klinischer Leiter der Studie. „Aber fine-Nadel-Biopsien nur als ein Guckloch, Sie sagen uns nicht das ganze Bild. Als ein Ergebnis, einige Biopsien Rückkehr keine eindeutigen Ergebnisse, ob oder nicht der Knoten können bösartig sein oder bösartig, in anderen Worten.“

Wenn die Prüfung der Zellen einer Nadel-Biopsie beweist nicht schlüssig, kann die Probe getestet werden, die über die molekulare Diagnostik, um festzustellen, das Risiko von malignen Erkrankungen. Diese tests prüfen auf das Vorhandensein bestimmter Mutationen oder molekularen Marker, die im Zusammenhang mit bösartigen Schilddrüsenkrebs. Wenn Knoten-test positiv für high-risk Marker oder Mutationen, die Schilddrüse kann chirurgisch entfernt werden. Jedoch, die standards für die Verwendung molekularer Tests sind noch in der Entwicklung, und der test wird noch nicht angeboten, in alle Praxis-Einstellungen, vor allem bei kleineren Gemeinschaft Krankenhäuser.

Zur Verbesserung der Vorhersagekraft der first-line-Diagnostik, Ultraschall, Jefferson Forscher sahen in machine learning oder künstlicher Intelligenz-Modelle von Google entwickelt. Diese Anwendungen verwendet werden, in andere Bereiche: retail-Riesen wie Urban Outfitters maschinelle lernen zu helfen, zu klassifizieren, deren viele Produkte, so dass es leichter für die Verbraucher, um ein Element finden, die Sie interessiert sind in. Disney nutzt es zu beschriften Ihrer Produkte, basierend auf bestimmte Zeichen oder Filme. In diesem Fall, die Forscher angewendet eine machine-learning-Algorithmus, um Ultraschallbilder der Patienten Schilddrüse Knötchen zu sehen, wenn es herausgreifen Unterscheidung Muster. Die Studie wurde veröffentlicht in JAMA Otolaryngology – Head & Hals-Chirurgie am 24. Oktober.

„Das Ziel unserer Studie war es, zu sehen, ob automatisierten maschinellen Lernens könnte die Verwendung von image-processing-Technologie zur Vorhersage der genetischen Risiko von Schilddrüsen-Knoten, die im Vergleich zu molekularen Tests“, sagt Kelly Daniels, eine vierte Jahr Medizinstudent an Jefferson und ersten Autor von der Studie.

Die Forscher trainierten den Algorithmus auf Bilder von 121 Patienten, die unterzog sich einer Ultraschall-geführten feinen Nadel-Biopsie mit anschließender molekularer Tests. Von 134 insgesamt Läsionen, 43 Knötchen wurden klassifiziert als hohes Risiko und 91 eingestuft wurden als mit geringem Risiko basiert auf einem panel von Genen verwendet, die in der molekularen Prüfung. Einer ersten Reihe von Bildern mit bekannten Risiko-Klassifikationen, die verwendet wurde, um das Modell zu trainieren oder Algorithmus. Von dieser bank von beschrifteten Bildern, die der Algorithmus verwertet machine-learning-Technologie, um herausgreifen Muster, die mit hohen und niedrigen Risiko Knötchen, beziehungsweise. Es verwendet diese Muster bilden einen eigenen Satz von internen Parametern, die verwendet werden könnten, zu Sortieren Zukunft Gruppen von Bildern; es ist im wesentlichen „trainiert“ sich auf diese neue Aufgabe. Dann die Forscher testeten das trainierte Modell auf einen anderen Satz von unbeschrifteten Bildern, um zu sehen, wie eng es klassifizieren könnte, high-und low-genetische Risiko-Knötchen, im Vergleich zu molekularen tests Ergebnisse.

„Machine learning ist ein kostengünstiges und effizientes Werkzeug, das könnte helfen, ärzte kommen zu einer schnelleren Entscheidung zu, wie Sie dabei Vorgehen, eine unbestimmte Knötchen“, sagt John Eisenbrey, Ph. D., associate professor für Radiologie und leitende Autor der Studie. „Niemand verwendet hat, maschinelles lernen im Bereich der genetischen risikostratifizierung der Schilddrüse Knötchen auf Ultraschall.“

Die Forscher fanden heraus, dass Ihr Algorithmus mit 97% Spezifität und 90% positive prädiktive Wert, was bedeutet, dass 97% der Patienten, die wirklich gutartigen Knötchen haben Ihre Ultraschall-Lesen als „benigne“ durch den Algorithmus, und 90% der bösartigen oder „positive“ Knötchen sind wirklich positiv klassifiziert als durch den Algorithmus . Die hohe Spezifität ist ein Indikator für eine niedrige rate von false positives; dies bedeutet, dass, wenn der Algorithmus liest eine Mandel als „bösartig“ es ist sehr wahrscheinlich, um wirklich bösartig sein. Die gesamte Genauigkeit des Algorithmus wurde 77.4%.

„Das war eine so wichtige Zusammenarbeit von Chirurgen und Radiologen, und es gibt bereits Interesse aus anderen Institutionen zu bündeln. Je mehr Daten füttern wir den Algorithmus, der stärker und predictive wir erwarten, es zu werden“, sagt Dr. Cottril.

„Es gibt so viele potenzielle Anwendungen des maschinellen Lernens“, sagt Dr. Eisenbrey. „In Zukunft möchten wir nutzen, feature-Extraktion, die helfen, uns zu identifizieren, anatomisch relevanten Merkmale von high-risk-Knötchen.“