Chẩn đoán hình ảnh ung thư tuyến tụy bằng ứng dụng trí tuệ nhân tạo

Các ứng dụng của trí tuệ nhân tạo đã đạt được những bước tiến vượt bậc trong nhận dạng hình ảnh y tế. Trên thực tế, ngay từ năm 2001, mạng lưới thần kinh đã được sử dụng để phân tích hình ảnh siêu âm nội soi nhằm phân biệt ung thư tuyến tụy với viêm tụy khu trú. Một chương trình được thiết kế có thể phân biệt viêm tụy với ung thư tuyến tụy bằng cách trích xuất các đặc điểm pixel từ hình ảnh, cho thấy tỷ lệ chính xác cao là 89%.

1. Tổng quan

Ung thư tuyến tụy là một bệnh ung thư phức tạp của đường tiêu hóa. Điều trị và chẩn đoán ung thư tuyến tụy có thể khó khăn do các triệu chứng ban đầu mơ hồ, vị trí giải phẫu sâu của mô ung thư và mức độ xâm lấn cao của các tế bào ung thư. Tiên lượng rất xấu, tỷ lệ sống sót sau 5 năm của bệnh nhân ung thư tuyến tụy là dưới 1%. Tuy nhiên, việc ứng dụng trí tuệ nhân tạo trong chăm sóc sức khỏe còn rất nhiều tiềm năng. Ngoài các ứng dụng dựa trên trí tuệ nhân tạo, chẳng hạn như xử lý dữ liệu bệnh, chụp ảnh và nhận dạng hình ảnh bệnh lý, phẫu thuật bằng robot đã cách mạng hóa các quy trình phẫu thuật.

2. Ứng dụng trí tuệ nhân tạo trong chẩn đoán hình ảnh ung thư tuyến tụy

Các ứng dụng của trí tuệ nhân tạo (đặc biệt là các thuật toán học sâu) đã đạt được những bước tiến vượt bậc trong lĩnh vực nhận dạng hình ảnh y tế. Biến áp tự ngẫu tích hợp và các phương pháp khác có nhiều ứng dụng trong lĩnh vực này. Trên thực tế, ngay từ năm 2001, mạng lưới thần kinh đã được sử dụng để phân tích hình ảnh siêu âm nội soi nhằm phân biệt ung thư tuyến tụy với viêm tụy khu trú. Một chương trình được thiết kế có thể phân biệt viêm tụy với ung thư tuyến tụy bằng cách trích xuất các đặc điểm pixel từ hình ảnh, cho thấy tỷ lệ chính xác cao là 89%.

Với sự phát triển của công nghệ chẩn đoán hiện nay, việc chẩn đoán hình ảnh tương đối đơn giản nhưng với sự hỗ trợ của mạng nơ-ron máy tính, việc chẩn đoán phân biệt trở nên dễ dàng và chính xác hơn. Kể từ đó, hình ảnh mạng lưới thần kinh đã được sử dụng trong nghiên cứu để phân biệt ung thư tuyến tụy với viêm tụy mãn tính. Phương pháp này liên quan đến việc thu thập dữ liệu hình ảnh thành dạng vectơ và sau đó chuyển đổi nó thành biểu đồ màu. Độ nhạy, độ đặc hiệu và độ chính xác của phương pháp này trong chẩn đoán phân biệt các tổn thương tụy lành tính và ác tính lần lượt là 91,4%; 87,9% và 89,7%.

3. Tổn thương nang tụy thường được coi là dấu hiệu quan trọng của ung thư tuyến tụy

Công nghệ máy học được sử dụng để trích xuất các đặc điểm hình ảnh của tổn thương nang này, chọn và phân loại các đặc điểm đó, sau đó sử dụng chúng để dự đoán các tổn thương nang tụy lành tính hoặc ác tính. Trong quy trình này, đầu tiên, việc thu nhận hình ảnh được thực hiện một cách thống nhất, các cạnh của tổn thương nghi ngờ được phác thảo và thu được hình dạng ba chiều (3D) của biến thể. Sau đó, các đặc điểm của bệnh nghi ngờ trong ảnh được trích xuất bao gồm cấu trúc, mật độ và hình dạng. Phần mềm trí tuệ nhân tạo được sử dụng để học sâu, các tính năng được sàng lọc và phân tích, đồng thời thu được kết quả đầu ra trực quan. Các kết quả thu được, proteomics và dữ liệu bệnh nhân được nhập vào mô hình học máy dưới dạng các lớp đầu vào để tạo ra một mô hình dự đoán, có thể giúp các bác sĩ lâm sàng phân biệt giữa u nang tụy lành tính và ác tính.

4. Hình ảnh chẩn đoán bằng trí tuệ nhân tạo được xử lý như thế nào?

Công nghệ “máy học” được sử dụng để trích xuất các đặc điểm hình ảnh của tổn thương nang này, chọn và phân loại các đặc điểm, sau đó sử dụng chúng để dự đoán các tổn thương nang tụy lành tính hoặc ác tính. Trong quy trình này, đầu tiên, việc thu nhận hình ảnh được thực hiện đồng nhất, các cạnh của tổn thương nghi ngờ được phác họa và thu được hình dạng ba chiều của biến thể. Sau đó, các đặc điểm của bệnh nghi ngờ trong ảnh được trích xuất, bao gồm cấu trúc, mật độ và hình dạng. Phần mềm trí tuệ nhân tạo được sử dụng để học sâu, các tính năng được sàng lọc và phân tích, đồng thời thu được kết quả đầu ra trực quan. Các kết quả thu được, proteomics và dữ liệu bệnh nhân được nhập vào mô hình học máy dưới dạng các lớp đầu vào để tạo ra một mô hình dự đoán, có thể giúp các bác sĩ chẩn đoán phân biệt u nang tụy lành tính và ác tính. đếm.

5. Hạn chế của các phương pháp chẩn đoán hình ảnh thông thường

Trong 20 năm qua, với sự phổ biến và phát triển của chụp cắt lớp vi tính (CT), chụp cộng hưởng từ và chụp cắt lớp phát xạ positron-CT, nhân viên y tế đã có thể thu thập rất nhiều dữ liệu hình ảnh. hình ảnh rõ ràng hơn. Tuy nhiên, do hạn chế về con người nên dễ xảy ra sai sót, hiệu quả chẩn đoán không cao. Hơn nữa, việc đào tạo các bác sĩ X quang chuyên nghiệp sẽ tốn nhiều thời gian. Bản thân hình ảnh chỉ có thể phản ánh cấu trúc bên trong của bệnh nhân tại một thời điểm nhất định và ở một góc độ nhất định; Do đó, những thay đổi nhỏ có thể khó phát hiện bằng mắt thường. Do đó, việc ứng dụng trí tuệ nhân tạo đáng tin cậy có thể cải thiện độ chính xác trong chẩn đoán hình ảnh.

Như đã đề cập ở trên, chẩn đoán thủ công có những nhược điểm như đánh giá chủ quan, thiếu tính lặp lại và độ chính xác thấp.

6. Trí tuệ nhân tạo giúp khắc phục những thiếu sót của các kỹ thuật chẩn đoán hiện tại

Nghiên cứu gần đây về việc sử dụng mạng lưới thần kinh tích chập để nhận dạng CT trong chẩn đoán ung thư tuyến tụy có thể cung cấp một cách để khắc phục những thiếu sót đó. Một trí tuệ nhân tạo được thiết kế cho một nghiên cứu liên quan bao gồm hai phần, đó là đào tạo và xác minh.

Đầu tiên, cơ sở dữ liệu dữ liệu bệnh nhân được thiết lập, dữ liệu hình ảnh được thu thập và cơ sở dữ liệu hình ảnh được thiết lập. Sau đó, các mạng trích xuất tính năng, phân vùng (RPN) và phân loại và hồi quy được thiết lập. Trong mạng trí tuệ nhân tạo, hình ảnh đầu vào trước tiên được chuyển đổi thành biểu đồ tính năng tích chập và các tham số RPN được điều chỉnh thông qua bản đồ tính năng để tạo vectơ đặc trưng ROI. Sau đó, các tham số RPN được đưa vào lớp tổng hợp và một mô hình nhất định được sử dụng để hồi quy và phân loại. Tiếp theo, các tham số hồi quy được tạo thành các tham số RPN mới và hai tham số RPN chỉ được cập nhật cho lớp mạng duy nhất của RPN thông qua học máy.

Các tham số RPN sau đó được tạo bởi các tham số hồi quy để tinh chỉnh lớp tích chập đơn. Sử dụng mô hình đầu vào nhóm xác minh chuyên dụng, mạng Máy tính để bàn toàn cầu an toàn được đào tạo bằng cách lan truyền ngược và giảm độ dốc ngẫu nhiên, đồng thời các tham số và trọng số mạng có thể được cập nhật và tối ưu hóa liên tục . Cuối cùng, mô hình kết quả là một hệ thống chẩn đoán trí tuệ nhân tạo. Đường đặc tính vận hành máy thu của kết quả thử nghiệm đạt 0,9632. Trí tuệ nhân tạo trong nghiên cứu đó chỉ cần 20 giây để nhận dạng hình ảnh, khách quan và hiệu quả hơn các phương pháp chẩn đoán truyền thống. Tuy nhiên, cần lưu ý rằng phương pháp này cho thấy độ chính xác cao trong chẩn đoán ung thư tuyến tụy, điều đó không có nghĩa là việc ứng dụng trí tuệ nhân tạo có thể thay thế bác sĩ chuyên khoa; thay vào đó, nó cung cấp một công cụ phụ trợ để chẩn đoán.

7. Một số hạn chế của trí tuệ nhân tạo trong chẩn đoán ung thư tụy

Mặc dù trí tuệ nhân tạo có triển vọng tốt cho hình ảnh, nhưng nó cũng có những hạn chế và quá trình đào tạo mô hình không thể tách rời sự hỗ trợ của chẩn đoán nhân tạo. Về lý thuyết, mục tiêu cuối cùng của độ chính xác chẩn đoán là rất gần với kỹ thuật viên X quang. Vì vậy, làm thế nào để tận dụng tốt điều này để làm cho trí tuệ nhân tạo thông minh hơn có thể là một vấn đề quan trọng cần được giải quyết trong các nghiên cứu trong tương lai.Trên thực tế, việc ứng dụng trí tuệ nhân tạo vào nhiếp ảnh đã được các chuyên gia nghiên cứu và nó cũng đòi hỏi kiến thức từ nhiều lĩnh vực. Những dự án như vậy tạo ra một nền tảng để các chuyên gia hình ảnh giao tiếp với các chuyên gia máy tính. Kết quả là một hệ thống trí tuệ nhân tạo y tế đã được thiết lập sử dụng các thuật toán học sâu để thu thập và phân tích hình ảnh CT của tuyến tụy. Dữ liệu ảnh nhóm thử nghiệm và dữ liệu ảnh đối chứng thông thường được nhập vào chương trình. Thông qua hai “ma trận” và ứng dụng của bộ lọc, số liệu thống kê, kết cấu, hình dạng và dữ liệu khác sẽ thu được. Sau đó, ung thư biểu mô tuyến tụy và kiểm soát bình thường được phân biệt bằng xử lý dữ liệu, phân tích thống kê và mô hình rừng ngẫu nhiên.