Τεχνολογία

Ψηφιακή παθολογία: Νέος αλγόριθμος ΤΝ αξιολογεί data για τον καρκίνο

Ψηφιακή παθολογία: Νέος αλγόριθμος ΤΝ αξιολογεί data για τον καρκίνο

Ψηφιακή παθολογία: Eρευνητές από την Ιατρική Σχολή του Πανεπιστημίου της Βοστώνης (BUSM) ανέπτυξαν έναν νέο αλγόριθμο τεχνητής νοημοσύνης (AI) που βασίζεται σε ένα πλαίσιο που ονομάζεται εκμάθηση αναπαράστασης για την ταξινόμηση του υποτύπου καρκίνου του πνεύμονα με βάση εικόνες ιστού πνεύμονα από όγκους που έχουν αφαιρεθεί.

Η ψηφιακή παθολογία είναι ένα αναδυόμενο πεδίο που ασχολείται κυρίως με εικόνες μικροσκοπίας που προέρχονται από βιοψίες ασθενών. Λόγω της υψηλής ανάλυσης, οι περισσότερες από αυτές τις διαφάνειες (WSI) έχουν μεγάλο μέγεθος, που συνήθως υπερβαίνει το ένα gigabyte (Gb). Επομένως, οι τυπικές μέθοδοι ανάλυσης εικόνας δεν μπορούν να τις χειριστούν αποτελεσματικά. Αναζητώντας λύση, ερευνητές από την Ιατρική Σχολή του Πανεπιστημίου της Βοστώνης (BUSM) ανέπτυξαν έναν νέο αλγόριθμο τεχνητής νοημοσύνης (AI) που βασίζεται σε ένα πλαίσιο που ονομάζεται εκμάθηση αναπαράστασης για την ταξινόμηση του υποτύπου καρκίνου του πνεύμονα με βάση εικόνες ιστού πνεύμονα από όγκους που έχουν αφαιρεθεί.

“Αναπτύσσουμε νέες μεθόδους βασισμένες στην τεχνητή νοημοσύνη που μπορούν να φέρουν αποτελεσματικότητα στην αξιολόγηση των δεδομένων ψηφιακής παθολογίας. Η πρακτική της παθολογίας βρίσκεται στη μέση μιας ψηφιακής επανάστασης. Αναπτύσσονται μέθοδοι που βασίζονται σε υπολογιστή για να βοηθήσουν τον ειδικό παθολόγο. Επίσης, σε μέρη όπου δεν υπάρχει ειδικός, τέτοιες μέθοδοι και τεχνολογίες μπορούν να βοηθήσουν άμεσα τη διάγνωση”, σημειώνει χαρακτηριστικά η Vijaya B. Kolachalama, PhD, FAHA, συγγραφέας της μελέτης και επίκουρη καθηγήτρια ιατρικής και πληροφορικής στο BUSM

Συγκεκριμένα, οι ερευνητές ανέπτυξαν έναν μετασχηματιστή όρασης με βάση γραφήματα για ψηφιακή παθολογία που ονομάζεται Graph Transformer (GTP) που αξιοποιεί μια αναπαράσταση γραφήματος εικόνων παθολογίας και την υπολογιστική απόδοση των αρχιτεκτονικών μετασχηματιστών για την εκτέλεση ανάλυσης σε ολόκληρη την εικόνα της διαφάνειας. «Η μετάφραση των τελευταίων προόδων στην επιστήμη των υπολογιστών στην ψηφιακή παθολογία δεν είναι απλή και υπάρχει ανάγκη να δημιουργηθούν μέθοδοι τεχνητής νοημοσύνης που μπορούν να αντιμετωπίσουν αποκλειστικά τα προβλήματα στην ψηφιακή παθολογία», εξηγεί η επίσης συγγραφέας της μελέτης Jennifer Beane, PhD, αναπληρώτρια καθηγήτρια ιατρικής στο BUSM.

Χρησιμοποιώντας ολόκληρες εικόνες διαφανειών και κλινικά δεδομένα από τρεις δημοσίως διαθέσιμες εθνικές κοόρτες, οι ερευνητές ανέπτυξαν στη συνέχεια ένα μοντέλο που θα μπορούσε να διακρίνει μεταξύ του αδενοκαρκινώματος του πνεύμονα, του ακανθοκυτταρικού καρκινώματος του πνεύμονα και του παρακείμενου μη καρκινικού ιστού. Σε μια σειρά μελετών και αναλύσεων ευαισθησίας, έδειξαν ότι το πλαίσιο GTP τους ξεπερνά τις τρέχουσες μεθόδους αιχμής που χρησιμοποιούνται για την ταξινόμηση ολόκληρων εικόνων διαφανειών. Πιστεύουν ότι το πλαίσιο μηχανικής μάθησης θα έχει οφέλη που υπερβαίνουν την ψηφιακή παθολογία. «Οι ερευνητές που ενδιαφέρονται για την ανάπτυξη προσεγγίσεων υπολογιστικής όρασης για άλλες εφαρμογές μπορούν επίσης να βρουν την προσέγγισή μας χρήσιμη», λένε οι ερευνητές. Τα ευρήματα της μελέτης εμφανίζονται στο διαδίκτυο στο περιοδικό IEEE Transactions on Medical Imaging.

Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις

Διαβάστε Eπίσης:

Η ρομποτική συμβάλλει στην υγειονομική περίθαλψη των ασθενών

Ακριβέστερο το app ελέγχου κοπράνων από την κρίση του ασθενούς

Τελικά, η τεχνητή νοημοσύνη συμβάλλει στην αντιμετώπιση των ιών;

svg%3E svg%3E
svg%3E
svg%3E
Περισσότερα

4 ιατρικές τεχνολογίες του 2022

Τεχνολογία:Το 2020 και το 2021, η πανδημία του Covid-19 ανάγκασε την υγειονομική περίθαλψη στο μέλλον και, ως εκ τούτου, πολλές υποσχόμενες ιατρικές τεχνολογίες δοκιμάστηκαν σε μαζική κλίμακα. Το 2022, το ερώτημα είναι πώς αυτές οι τεχνολογίες μπορούν να χρησιμοποιηθούν μαζί σε έναν κόσμο μετά την πανδημία.

Ακριβής διάγνωση όγκων εγκεφάλου με χρήση τεχνητής νοημοσύνης

Τεχνητή νοημοσύνη: Η ταξινόμηση των όγκων του εγκεφάλου - και επομένως η επιλογή των βέλτιστων επιλογών θεραπείας - μπορεί να γίνει πιο ακριβής μέσω της χρήσης τεχνητής νοημοσύνης σε συνδυασμό με φυσιολογική απεικόνιση. Αυτό είναι το αποτέλεσμα μιας εκτενούς μελέτης που δημοσιεύτηκε στο Cancers και διεξήχθη από το Πανεπιστήμιο Karl Landsteiner για Επιστήμες Υγείας (KL Krems).

Κατανόηση της συναπτικής διαβίβασης με υπερυπολογιστή

Εγκέφαλος: Ο εγκέφαλός μας έχει δισεκατομμύρια νευρικά κύτταρα ή νευρώνες και κάθε νευρώνας έχει χιλιάδες συνδέσεις με άλλους νευρώνες. Οι βαθμονομημένες αλληλεπιδράσεις αυτών των νευρώνων είναι αυτό από το οποίο αποτελούνται οι σκέψεις. Στόχος του Jose Rizo-Rey, καθηγητή Βιοφυσικής στο Southwestern Medical Center του Πανεπιστημίου του Τέξας είναι κατανοήσει πώς συμβαίνει η ενεργοποίηση της σκέψης.

Η εικονική σωματική άσκηση μπορεί να μειώσει το ψυχοκοινωνικό στρες και το άγχος

Εικονική σωματική άσκηση: Τα αποτελέσματα έδειξαν μειωμένη απόκριση στο ψυχοκοινωνικό στρες και χαμηλότερα επίπεδα άγχους μετά την εικονική προπόνηση, συγκρίσιμα με αυτό που συμβαίνει μετά την πραγματική άσκηση.

Τι είναι η Τεχνολογία Υγείας και ποια τα πλεονεκτήματά της;

Health Tech: Λόγω της τεχνολογικής ανάπτυξης, η ενσωμάτωση τόσο των φυσιολογικών ενδείξεων όσο και της αλγοριθμικής ανάλυσης μείωσε τη συχνότητα εμφάνισης ψευδών συναγερμών. Ως συνέπεια των μεγαλύτερων επενδύσεων στην τεχνολογία υγείας, προκύπτουν λιγότερα ιατρικά λάθη.

Πρόγραμμα τεχνολογίας βελτιώνει την ψυχική υγεία & την παραγωγικότητα

Εργαζόμενοι: Η μελέτη διαπίστωσε ότι οι συμμετέχοντες έχασαν λιγότερες ημέρες εργασίας και ήταν πιο παραγωγικοί στη δουλειά, με αποτέλεσμα να εξοικονομούν κατά μέσο όρο 7.000$ ανά συμμετέχοντα.