Schätzungsweise 18.000 Menschen in den Vereinigten Staaten, sterben Gehirn-und Rückenmarks-Tumoren in 2020. Um zu helfen ärzte unterscheiden zwischen der schwere von Krebserkrankungen im Gehirn, ein internationales team von Forschern unter der Leitung von Dr. Murat Günel, Lehrstuhl für Neurochirurgie an der Yale School of Medicine, und Nixdorff-deutscher Professor für Neurochirurgie, baute ein machine-learning-Modell, das die komplexe Mathematik zu lernen, wie verschiedene Arten von Hirntumoren Blick in das Gehirn. Das Modell ist entworfen, um zu “lernen” aus dieser gesammelten Daten Vorhersagen zu machen und zu helfen ärzte diagnostizieren die Bühne von Hirntumoren schneller und genauer.
Testen Sie Ihre künstlichen Methode des Lernens, das team 229 Patienten mit Hirntumoren zusammen ein Spektrum, wie die Wahrscheinlichkeit, dass Sie bösartig wird von der unteren-grade-Gliomen, die relativ langsam wachsende Tumoren, die Ihren Ursprung aus Gliazellen des Gehirns—zu glioblastomen, die hoch aggressive Gegenstück zu den Gliomen.
“Unsere machine-learning-Modelle verwendet, um die Unterscheidung von tumor-Typen wurden sehr genau”, sagte Hängen Cao, ein student der Medizin aus Xiangya Hospital zusammen mit Dr. Gunel, und führen Autor der Studie veröffentlicht in European Radiology.
Die Forscher kompilierten Daten von einer öffentlichen tumor Maschine resonance imaging (MRI) Datenbank namens The Cancer Imaging-Archiv. Board-zertifizierten neuro-Radiologen, die dann identifiziert und ausgewählt Gliom-Fälle, die die Forscher verwendeten für Ihr Modell.
Das team fand deutliche Unterschiede in wie die Krebse sah, deren Bände in verschiedenen Regionen des Gehirns, sowie deren Standorte. Wenn zusammen genommen, ist das Modell könnte, vorauszusagen, welche Tumoren wurden untere-grade-Gliomen oder glioblastomen mit einem hohen Grad an Genauigkeit.
Die Zeitleiste für die Verwendung eines solchen Modells in einer klinischen Einstellung ist zu diesem Zeitpunkt nicht bekannt. Obwohl es möglich wäre zu implementieren, die nun als stand-alone-Bewertung, der Prozess ist noch nicht integriert in die klinische Beurteilung des Patienten. Eine klare standards geschaffen werden, die von der wissenschaftlichen Gemeinschaft und dann umarmten sich die Hersteller von software und hardware in der Radiologie-Abteilungen.
