(资料图)
计算机断层扫描 (CT) 是评估患者肺癌的主要诊断工具。现在,由 NIBIB 资助的斯坦福大学研究人员已经创建了一个人工神经网络,该网络可以分析肺部 CT 扫描,以提供有关肺癌严重程度的信息,从而指导治疗方案。
CT 成像是一种重要的诊断工具,用于测量肺部病变的位置、范围、大小和形状,用于指导肺癌患者的治疗决策——肺癌是全世界成人中最常见的致命恶性肿瘤。然而,CT 图像的分析仅限于人眼可见的部分,阅读器的差异性导致不同肿瘤中心的临床护理存在差异。
生物医学信息学、放射学、数据科学、电气工程领域的多学科专家组联手创建了一个名为 LungNet 的机器学习神经网络,旨在从患者的肺部 CT 扫描中获取一致、快速和准确的信息。该小组对患有非小细胞肺癌 (NSCLC) 的成年人进行了扫描,这种疾病占肺癌诊断的 85%。
“LungNet 展示了直接在患者的医学图像上设计和训练机器学习工具的好处,”NIBIB 图像处理、视觉感知和显示项目主任 Qi Duan 博士说。“这是一个很好的例子,说明机器学习技术如何成为一种具有成本效益的方法来推进疾病检测、诊断和治疗。”
该研究小组由斯坦福大学生物医学信息学研究医学助理教授 Olivier Gevaert 领导,他专门研究使用多尺度生物医学数据开发用于生物医学决策支持的机器学习方法。
Gevaert 解释说:“定量图像分析表明,放射图像,例如肺癌患者的 CT 扫描,包含比放射科医生观察到的信息更多的可挖掘信息。”“使用来自几个不同肿瘤诊所的 CT 图像数据集,我们着手确定我们的神经网络是否可以接受训练以准确、可重复地分析扫描并提供一致、有用的临床信息。”