Программное обеспечение классифицирует внутричерепные опухоли с помощью одного 3D МРТ-сканирования

Ученые из Медицинской школы Вашингтонского университета разработали модель глубокого обучения, способную классифицировать опухоль мозга как один из шести распространенных типов с помощью одного 3D МРТ-сканирования, говорится в исследовании, опубликованном в журнале Radiology: Artificial Intelligence.

Шесть наиболее распространенных типов внутричерепных опухолей - глиома высокой степени, глиома низкой степени, метастазы в мозг, менингиома, аденома гипофиза и невринома акустического нерва. По словам докторанта Сатраджита Чакрабарти, методы машинного и глубокого обучения с использованием данных МРТ потенциально могут автоматизировать обнаружение и классификацию опухолей мозга.

Для построения модели машинного обучения исследователи создали большой набор данных внутричерепных 3D МРТ-сканов из четырех общедоступных источников. Это были предоперационные, постконтрастные T1-взвешенные МРТ-сканы из Института радиологии Маллинкродта, Brain Tumor Image Segmentation, The Cancer Genome Atlas Glioblastoma Multiforme и The Cancer Genome Atlas Low Grade Glioma. Исследователи разделили в общей сложности 2 105 сканов на три подмножества данных: 1 396 для обучения, 361 для внутреннего тестирования и 348 для внешнего тестирования. Первый набор МРТ-сканов использовался для обучения конволюционной нейронной сети различать здоровые сканы и сканы с опухолями, а также классифицировать опухоли по типу. Исследователи оценили эффективность модели, используя данные как внутренних, так и внешних МРТ-сканов.

Используя данные внутреннего тестирования, модель достигла точности 93,35% по семи классам визуализации (класс здоровых и шесть классов опухолей). Чувствительность варьировалась от 91% до 100%, а положительная предсказательная ценность - или вероятность того, что пациенты с положительным скрининговым тестом действительно имеют заболевание - варьировалась от 85% до 100%. Отрицательная предсказательная ценность - или вероятность того, что у пациентов с отрицательным скрининговым тестом действительно нет заболевания - варьировалась от 98% до 100% во всех классах. Для внешнего тестового набора данных, который включал только два типа опухолей (глиома высокой степени и глиома низкой степени), точность модели составила 91,95%.

По словам Чакрабарти, эта 3D-модель глубокого обучения приближает к цели создания сквозного автоматизированного рабочего процесса, улучшая существующие 2D-подходы, которые требуют от радиологов вручную очерчивать или характеризовать область опухоли на МРТ-скане перед машинной обработкой. Конволюционная нейронная сеть устраняет утомительный и трудоемкий этап сегментации опухоли перед классификацией.