Группа ученых из Медицинской школы Вашингтонского Университета разработала алгоритм на основе Deep Learning, который способен идентифицировать тип опухоли головного мозга используя однократного трехмерного МРТ-сканирования. Данные результатов исследования были опубликованы в журнале Radiology: Artificial Intelligence
Как считает один авторов исследования, доктор Чакрабарти, проведенная ими работа впервые позволяет классифицировать тип одной из 6 наиболее распространенных опухолей головного мозга при однократном проведении трехмерной МРТ.
В группу из шести наиболее частых опухолей головного мозга входят: метастазы, злокачественная глиома, аденома гипофиза, менингиома, невринома слухового нерва, глиома с низкой степенью злокачественности. Тип каждой опухоли был подтвержден с помощью гистологического анализа ткани, полученной в ходе оперативного удаления.
Доктор Чакрабарти считает, что с помощью методов глубокого машинного обучения будет возможно выявлять и классифицировать опухоли головного мозга и это может стать альтернативой инвазивным гистопатологическим методам диагностики морфологии тканей.
Для создания модели машинного обучения, называемой сверточной нейронной сетью, доктор Чакрабарти и ученые из Института радиологии Маллинкродта собрали большой объем данных внутричерепных 3D-снимков МРТ из четырех различных баз. Кроме того, были использованы дооперационные, постконтрастные Т1-взвешенные МРТ-изображения опухолей головного мозга.
Исследователи разделили 2105 МРТ- сканирований на три подгруппы данных: 1396 для машинного обучения, 361 для внутреннего тестирования и 348 для внешнего тестирования. Первый набор МРТ-сканов был использован для обучения сверточной нейронной сети проводить выявление и классификацию опухолей по типу. Производительность модели была оценена в сравнении с данными как внутреннего, так и внешнего МРТ.
Как оказалось, производительность модели на основе внутреннего тестирования достигала точности 93,35% (337 из 361) по семи классам визуализации (здоровый класс и шесть классов опухолей). Чувствительность же модели варьировала от 91% до 100%, а прогностическая ценность положительного результата колебалась от 85% до 100%. Нейросеть реагировала на все типы опухолей.
Доктор Чакрабарти говорит, что 3D-модель глубокого обучения позволит со временем полностью автоматизировать двухмерные сканы, требующие от радиологов рутинной ручной работы по сегментации опухоли перед ее классификацией.
Кроме того, модель можно использовать и для диагностики других неврологический состояний.
