
Согласно последним исследованиям, анализ данных медицинских изображений можно улучшить с помощью алгоритмов искусственного интеллекта (ИИ).
Новое исследование, представленное на международном конкурсе AutoPET, показало, что алгоритмы глубокого обучения способны лучше определять местоположение и размер опухолей.
Эксперты утверждают, что методы позитронно-эмиссионной томографии (ПЭТ) и компьютерной томографии (КТ) позволяют успешно выявлять рак.
ПЭТ-сканирование позволяет получать подробные трехмерные изображения внутренних органов с использованием радионуклидов для визуализации метаболических процессов. Изображения могут четко отображать исследуемую часть тела, включая любые аномальные области, а также могут продемонстрировать, насколько хорошо работают определенные функции организма.
КТ — это тест, который также делает подробные снимки внутренней части вашего тела слой за слоем с помощью рентгеновской трубки для визуализации анатомии и локализации опухолей. Обычно его используют для диагностики заболеваний или проверки эффективности лечения.
Сканирование ПЭТ часто сочетается с КТ-сканированием для получения еще более подробных изображений. Это известно как сканирование ПЭТ-КТ. Чтобы определить размер раковой опухоли, врачам приходится вручную размечать двухмерные изображения срезов — задача, которая отнимает очень много времени.
Профессор Райнер Штифельхаген сказал:
«Автоматизированная оценка с использованием алгоритма сэкономит огромное количество времени и улучшит результаты».
Исследователи из Института технологий Карлсруэ обнаружили, что автоматизированный анализ данных медицинских изображений может трансформировать лечение онкологических заболеваний. Авторы заявили: «Ансамбль высоко оцененных алгоритмов оказался лучше отдельных алгоритмов. Ансамбль алгоритмов способен эффективно и точно обнаруживать опухолевые поражения».
Профессор Штифельхаген пришел к выводу:
«Хотя эффективность алгоритмов оценки данных изображений отчасти зависит от количества и качества данных, конструкция алгоритма является еще одним решающим фактором, например, в отношении решений, принимаемых при постобработке прогнозируемой сегментации».
Исследование было опубликовано в журнале Nature Machine Intelligence .