ความเร็วในการเรียนรู้เชิงลึกของการสแกนสมอง

ความเร็วในการเรียนรู้เชิงลึกของการสแกนสมอง

การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) เป็นเครื่องมือหลักในการวินิจฉัยและการจัดการสภาวะทางระบบประสาท อย่างไรก็ตาม ความต้องการที่เพิ่มขึ้นสำหรับการตรวจ MRI ของหัวหน้า เมื่อรวมกับการขาดแคลนรังสีแพทย์ทั่วโลก ทำให้เวลาที่ใช้ในการรายงานผลการสแกนเพิ่มขึ้นทุกปี ความล่าช้าในการรายงานอาจทำให้เกิดความล่าช้าในการรักษา ส่งผลให้ผลลัพธ์ของผู้ป่วยแย่ลง

และค่ารักษา

พยาบาลเพิ่มขึ้น งานค้างที่เกิดจากการระบาดใหญ่ของ COVID-19 ทั่วโลกมีแนวโน้มที่จะทำให้ปัญหารุนแรงขึ้นอีกทีมที่มุ่งหน้าไปหวังว่าโมเดลการเรียนรู้เชิงลึกสามารถแก้ปัญหาคอขวดนี้ได้ นักวิจัยได้พัฒนากรอบการเรียนรู้เชิงลึกโดยใช้เครือข่ายประสาทเทียม (CNNs) ที่สามารถระบุความผิดปกติ

ในการสแกน MRI พวกเขาอธิบายวิธีการของพวกเขาใน  การวิเคราะห์ภาพทางการแพทย์“แบบจำลองของเราสามารถลดเวลาในการรายงานผลการตรวจที่ผิดปกติได้โดยการระบุความผิดปกติในเวลาที่ถ่ายภาพ ซึ่งช่วยให้แผนกรังสีวิทยาจัดลำดับความสำคัญของทรัพยากรที่มีจำกัดในการรายงาน

ผลการสแกนเหล่านี้ก่อน”  ผู้เขียนหลักกล่าวในแถลงการณ์ “สิ่งนี้จะช่วยเร่งการแทรกแซงโดยทีมแพทย์ที่ส่งต่อ”การสร้างข้อมูลการฝึกอบรมวิธีการเรียนรู้เชิงลึกและโดยเฉพาะอย่างยิ่ง CNN แสดงให้เห็นถึงคำมั่นสัญญาที่สำคัญสำหรับการวิเคราะห์ภาพทางการแพทย์ แต่โมเดลดังกล่าวต้องการชุดข้อมูล

ขนาดใหญ่และมีความเกี่ยวข้องสำหรับการฝึกอบรม จนถึงปัจจุบัน การพัฒนาแบบจำลองสำหรับการประเมิน MRI ของศีรษะถูกจำกัดด้วยความยากลำบากในการได้รับชุดข้อมูลขนาดใหญ่ที่เป็นตัวแทนทางคลินิกและติดฉลากอย่างถูกต้องสำหรับการฝึกอบรมแบบจำลองและเพื่อนร่วมงานแก้ไขปัญหานี้

ด้วยการพัฒนาตัวแยกประเภทรายงานที่ใช้การประมวลผลภาษาธรรมชาติ (NLP)ซึ่งได้รับฉลากจากรายงานข้อความทางรังสีวิทยาและกำหนดให้กับการสอบ MRI ที่สอดคล้องกัน ในการศึกษาล่าสุดนี้ นักวิจัยใช้ตัวแยกประเภทรายงานรังสีวิทยาที่ใช้หม้อแปลงเพื่อจัดหมวดหมู่การตรวจ MRI ของหัวหน้า

มากกว่า 70,000 รายการ

จากเครือข่ายโรงพยาบาลขนาดใหญ่สองแห่งในสหราชอาณาจักรว่าปกติหรือผิดปกติ โดยสร้างชุดข้อมูลที่มีป้ายกำกับสำหรับการฝึกอบรมแบบจำลอง ชุดข้อมูลขนาดใหญ่นี้ช่วยให้โมเดลการเรียนรู้เชิงลึกได้รับการฝึกฝนเกี่ยวกับความผิดปกติทางคลินิกที่เป็นไปได้ทั้งหมด 

(เช่น ความผิดปกติของหลอดเลือด เนื้องอก เลือดออกหรือโรคหลอดเลือดสมอง เป็นต้น) รวมถึงผู้จำหน่ายเครื่องสแกน โปรโตคอลการถ่ายภาพ และประชากรผู้ป่วยที่แตกต่างกันสิ่งสำคัญคือแบบจำลองควรได้รับการปรับให้เหมาะสมสำหรับประเภทของการสแกน MRI ของศีรษะที่ใช้เป็นประจำ

ในการตรวจทางคลินิก ด้วยเหตุนี้ นักวิจัยจึงมุ่งเน้นไปที่การตรวจหาความผิดปกติโดยใช้การสแกน T2-weighted ตามแนวแกน ซึ่งเป็นลำดับที่ได้มาบ่อยที่สุดสำหรับการตรวจหาพยาธิสภาพในสถานพยาบาลทั่วโลกทีมงานได้ฝึกฝนและทดสอบโมเดลการมองเห็นด้วยคอมพิวเตอร์ที่ใช้ CNN 

จำนวนหนึ่ง

ในชุดย่อยต่างๆ ของข้อมูลที่มีป้ายกำกับ NLP ในแต่ละกรณี ข้อมูลจะถูกแบ่งออกเป็นชุดการฝึกอบรม (85%) และชุดการตรวจสอบความถูกต้อง (15%) โดยที่การประเมินแบบจำลองขั้นสุดท้ายจะทำกับชุดการทดสอบของรูปภาพที่มีป้ายกำกับมาตรฐานอ้างอิงซึ่งกำหนดโดยนักรังสีวิทยาเสมอ

แบบจำลองประสบความสำเร็จอย่างรวดเร็ว (น้อยกว่า 5 วินาที) และการจัดหมวดหมู่ที่แม่นยำจากการสแกน T2-weighted ตามแนวแกนในการฝึกอบรมและการทดสอบทั้งหมด การแก้ไขจุดรบกวนนำไปสู่การปรับปรุงเล็กน้อยแต่มีนัยสำคัญทางสถิติในทุกกรณี ที่สำคัญ แบบจำลองที่ได้รับการฝึกอบรม

เกี่ยวกับการสแกนจากโรงพยาบาลหนึ่งและทดสอบในการสแกนจากอีกแห่งพบว่าประสิทธิภาพการจำแนกประเภทลดลงน้อยที่สุด ซึ่งบ่งชี้ว่าแบบจำลองเหล่านี้เหมาะสำหรับแผนกประสาทวิทยาโดยทั่วไป

เป้าหมายรองคือ ทีมงานได้ตรวจสอบมูลค่าเพิ่มของการใช้การสแกนแบบถ่วงน้ำหนัก

ด้วยการแพร่กระจายตามแนวแกน ซึ่งทำในการตรวจ MRI ของศีรษะหลายครั้งเช่นกัน แบบจำลองที่ผ่านการฝึกอบรมและทดสอบโดยใช้การสแกนที่มีอยู่ทั้งหมดได้รับการจัดประเภทที่แม่นยำโดยใช้การสแกนแบบถ่วงน้ำหนักแบบกระจายเพียงอย่างเดียว (แม้ว่าจะทำงานได้แย่กว่าแบบจำลองแบบถ่วงน้ำหนัก

ตามแนวแกน T2 ที่ผ่านการฝึกอบรมและทดสอบในการสแกนเดียวกัน) อย่างไรก็ตาม แบบจำลองทั้งมวลที่เฉลี่ยการคาดการณ์ของทั้งสองแบบจำลองทำให้การจัดประเภทดีขึ้นเล็กน้อยผลกระทบทางคลินิกในการหาปริมาณผลกระทบที่แบบจำลองการจัดประเภทอาจมีในสถานพยาบาลจริง 

กลุ่มได้ทำการศึกษาแบบจำลองโดยใช้การตรวจ MRI ของผู้ป่วยนอกที่โรงพยาบาลในปี 2561 พวกเขาแสดงให้เห็นว่าแบบจำลองที่ดีที่สุดจะลดเวลารอเฉลี่ยสำหรับรายงาน ผู้ป่วยที่มีความผิดปกติตั้งแต่ 28 ถึง 14 วัน และตั้งแต่ 9 ถึง 5 วัน ที่โรงพยาบาลแม่ข่ายทั้งสองแห่ง สิ่งนี้แสดงให้เห็นถึงศักยภาพ

ในการใช้แบบจำลองเป็นเครื่องมือในการทดลองทางคลินิกที่มีประสิทธิภาพการแปลทางคลินิกที่ง่ายขึ้น แบบจำลองนี้ได้รับการปรับให้เหมาะกับการใช้งานกับการสแกนแบบดิบและเกรดทางคลินิก การหลีกเลี่ยงการประมวลผลภาพล่วงหน้าทำให้สามารถจำแนกประเภทได้เร็วขึ้นและช่วยให้สามารถตรวจพบ

ความผิดปกติในบริเวณอื่นๆ ที่ตรวจพบโดย MRI ของศีรษะ เช่น โรคในกะโหลกศีรษะ รอบดวงตาและจมูก แบบจำลองยังให้การแสดงภาพแบบแบ่งส่วนและแบบว็อกเซลโดยอัตโนมัติของขอบเขตภาพที่มีอิทธิพลต่อการคาดคะเนมากที่สุด ให้ความสามารถในการตีความและเปิดใช้การตรวจสอบการตัดสินใจคัดแยกแบบเรียลไทม์

credit: iwebjujuy.com lesrained.com IowaIndependentsBlog.com generic-ordercialis.com berbecuta.com Chloroquine-Phosphate.com omiya-love.com canadalevitra-20mg.com catterylilith.com lucianaclere.com