《柳叶刀》子刊:精准确定肿瘤大小,新型AI识别方式远胜传统人工检测!

神经胶质瘤是一种常见的脑部恶性肿瘤,这种肿瘤很难通过手术完全根除,而化疗和放疗的效果也有限。因此,精确分析神经胶质瘤的发展情况,对于掌握患者的病情和确定治疗方案十分重要。

如果人工智能可以替代医生自动分析神经胶质瘤在脑内的大小和发展情况,岂不是会大大提高医疗效率?近日,《The Lancet Oncology》上就刊登了一篇来自海德堡大学医院(Heidelberg University Hospital)和德国癌症研究中心(German Cancer Research Centre)的论文,阐述了使用自动图像分析系统来分析脑部神经胶质瘤的方法。

图片来源:123RF

为了标准化衡量脑肿瘤的发展情况,现在的神经科医生会采用名为“神经肿瘤学反应评估”(RANO)的方法。这种方法依赖人工在二维图像中测量目标病变,但是精确度和可靠度有限,一定程度上限制了对肿瘤负担和治疗效果的准确评估。

针对这一情况,研究人员开发了一个神经元网络,从而以标准化和自动化的方式,在MRI图像的基础上对脑肿瘤的治疗反应进行评估和临床验证。他们使用了来自海德堡大学医院约500名脑肿瘤患者的MRI扫描图像作为参考数据,来训练算法自动识别和定位脑肿瘤,并对瘤周水肿区域进行体积测量,从而精确评估治疗反应

研究人员使用来自欧洲各地的534例胶质母细胞瘤患者的2000多例MRI图像对算法进行了验证。结果表明,与传统的人工测量方法相比,算法将评估治疗反应的准确性提升了36%,且对于总生存期的预测也更加精确。研究人员表示,这对于临床试验中基于图像的疗效评估至关重要。

“这项研究能够证明,人工神经网络在放射诊断方面拥有巨大潜力,”这项研究的负责人,来自海德堡大学医院的Philipp Kickingereder博士总结道:“未来,我们希望进一步提高医学图像数据自动化高通量分析技术,并将其应用到脑转移或多发性硬化症等其他疾病之中。”

参考资料:

[1] Kickingereder, et al., (2019). Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. The Lancet Oncology, doi: https://doi.org/10.1016/S1470-2045(19)30098-1

[2] Artificial intelligence helps to better assess treatment response of brain tumors. Retrieved April 10, 2019, from https://www.eurekalert.org/pub_releases/2019-04/gcrc-aih040219.php

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
入门肿瘤识别人工神经网络图像分析神经元医疗
1
相关数据
高通机构

高通公司(英语:Qualcomm,NASDAQ:QCOM)是一个位于美国加州圣地亚哥的无线电通信技术研发公司,由加州大学圣地亚哥分校教授厄文·马克·雅克布和安德鲁·维特比创建,于1985年成立。两人此前曾共同创建Linkabit。 高通公司是全球3G、4G与5G技术研发的领先企业,目前已经向全球多家制造商提供技术使用授权,涉及了世界上所有电信设备和消费电子设备的品牌。根据iSuppli的统计数据,高通在2007年度一季度首次一举成为全球最大的无线半导体供应商,并在此后继续保持这一领导地位。其骁龙移动智能处理器是业界领先的全合一、全系列移动处理器,具有高性能、低功耗、逼真的多媒体和全面的连接性。目前公司的产品和业务正在变革医疗、汽车、物联网、智能家居、智慧城市等多个领域。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

推荐文章
暂无评论
暂无评论~