هوش مصنوعی افزایش تومور مغزی تشخیص

IMAGE

تصویر: ماشین جدید آموزش روش طبقه بندی یک نوع رایج از تومور مغزی به پایین یا بالا نمرات با تقریبا 98% دقت. مشاهده بیشتر

اعتبار: Mindy Takamiya/دانشگاه کیوتو iCeMS

یک دستگاه جدید آموزش روش طبقه بندی یک نوع رایج از تومور مغزی به پایین یا بالا نمرات با تقریبا 98% دقت گزارش محققان در مجله IEEE دسترسی. دانشمندان در هند و ژاپن از جمله از دانشگاه کیوتو موسسه به صورت یکپارچه سلول-علوم مواد (iCeMS) توسعه یافته از این روش برای کمک به پزشکان در انتخاب درمان موثر ترین استراتژی برای بیماران منحصر به فرد.

گلیوم یک نوع رایج از تومور مغزی موثر بر سلول های گلیال که ارائه پشتیبانی و عایق سلول های عصبی. درمان بیمار متفاوت بوده و بسته به نوع تومور را, پرخاشگری, پس از آن مهم است که برای تشخیص حق برای هر فرد است. رادیولوژیست دست آوردن مقدار بسیار زیادی از داده ها از اسکن MRI برای بازسازی یک تصویر 3D از اسکن بافت. بسیاری از داده های موجود در اسکن ام آر آی تشخیص داده نمی شود که با چشم غیرمسلح از جمله جزئیات مربوط به تومور بافت یا تصویر را به شدت. هوش مصنوعی (AI ) الگوریتم های کمک به استخراج این داده ها. پزشکی انکولوژیست شده اند با استفاده از این رویکرد به نام radiomics به بهبود بیمار, تشخیص, اما, دقت, هنوز هم نیاز به افزایش یافته است.

iCeMS bioengineer گانش Pandian Namasivayam همکاری با هند داده دانشمند مانیان رامان از رورکی به توسعه یادگیری ماشین رویکرد است که می تواند طبقه بندی گلیوم به پایین یا بالا درجه با 97.54% دقت. درجه پایین گلیوم شامل کلاس من pilocytic astrocytoma و درجه دوم درجه پایین گلیوما. اینها کمتر تهاجمی و کمتر بدخیم از تومور گلیوما. درجه بالا گلیوم شامل کلاس سوم بدخیم گلیوما و درجه IV glioblastoma multiforme که بسیار تهاجمی و بدخیم با یک نسبتا کوتاه پس از تشخیص زمان بقا. انتخاب درمان بیمار تا حد زیادی بستگی به این دارد که قادر به تعیین گلیوما را درجه بندی.

این تیم از جمله Rahul Kumar, Ankur گوپتا و Harkirat سینگ آرورا با استفاده از یک مجموعه داده از اسکن MRI متعلق به 210 نفر با درجه بالا گلیوم و دیگری 75 با درجه پایین گلیوم. آنها با توسعه رویکرد به نام CGHF که مخفف: محاسباتی پشتیبانی تصمیم گیری سیستم برای گلیوما طبقه بندی با استفاده از ترکیبی radiomics و ثابت موجک بر اساس ویژگی های. آنها را در انتخاب الگوریتم های خاص برای استخراج ویژگی ها از برخی از اسکن MRI و سپس روت یکی دیگر از اخباری الگوریتم برای پردازش این داده ها و طبقه بندی گلیوم. آنها سپس خود را آزمایش مدل در بقیه اسکن MRI برای ارزیابی دقت آن.

“روش ما عملکرد بهتری نسبت به دیگر دولت از هنر روش برای پیش بینی گلیوما نمرات از مغز MRI اسکن می گوید:” مانیان. “این کاملا قابل توجه است.”

“ما امیدواریم که هوش مصنوعی کمک می کند تا توسعه یک نیمه اتوماتیک و یا اتوماتیک ماشین اخباری نرم افزار مدل است که می تواند کمک به پزشکان رادیولوژیست و دیگر پزشکان خیاط بهترین روش برای خود فرد بيمار” می افزاید: Ganesh.

###

DOI: 10.1109/ACCESS.2020.2989193

در مورد دانشگاه کیوتو موسسه به صورت یکپارچه سلول-علوم مواد (iCeMS):

در iCeMS ماموریت ما این است برای کشف اسرار زندگی با ایجاد ترکیبات به کنترل سلول و بیشتر پایین جاده به ایجاد زندگی-الهام مواد. https://www.icems.کیوتو-u.ac.jp/

برای کسب اطلاعات بیشتر با ما تماس بگیرید:

I. Mindy Takamiya/ماری تویاما

[email protected]

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdu.nuclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>