گروهی از محققان دانشکده پزشکی واشنگتن یک مدل یادگیری عمیق ایجاد کرده اند که می تواند با استفاده از یک اسکن MRI سه بعدی ، تومور مغزی را به عنوان یکی از شش نوع رایج طبقه بندی کند.

شش نوع شایع تومور داخل جمجمه ای عبارتند از گلیوم درجه بالا ، گلیوم درجه پایین ، متاستازهای مغزی ، مننژیوم ، آدنوم هیپوفیز و نوروم آکوستیک. هر یک از طریق بافت شناسی مستند شده است ، که نیاز به برداشتن بافت از محل مشکوک به سرطان و بررسی آن زیر میکروسکوپ دارد.

به گفته چاکرابارتی ، روش های یادگیری ماشینی و عمیق با استفاده از داده های MRI می تواند به طور بالقوه تشخیص و طبقه بندی تومورهای مغزی را خودکار کند.

محققان این مطالعه برای ساخت مدل یادگیری ماشینی‌شان که "شبکه عصبی پیچشی" (convolutional neural network) نامیده می‌شود، یک مجموعه داده عظیم از اسکن‌های ام آر آی سه بعدی درون جمجمه‌ای را از چهار منبع در دسترس عموم تهیه کردند. شبکه‌های عصبی پیچشی یا همگشتی(convolutional neural network) رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.

محققان در مجموع 2،105 اسکن را به سه زیر مجموعه داده تقسیم کردند: 1،396 برای آموزش ، 361 برای آزمایش داخلی و 348 برای آزمایش خارجی. اولین مجموعه از اسکن های MRI برای آموزش شبکه عصبی کانولوشن برای تمایز بین اسکن های سالم و اسکن های دارای تومور و طبقه بندی تومورها بر اساس نوع آنها استفاده شد. محققان عملکرد مدل را با استفاده از داده های اسکن MRI داخلی و خارجی ارزیابی کردند.

چاکرابارتی گفت: "این نتایج نشان می دهد که یادگیری عمیق یک رویکرد امیدوار کننده برای طبقه بندی و ارزیابی خودکار تومورهای مغزی است."

چاکرابارتی افزود: "این شبکه اولین گام در جهت ایجاد گردش کار رادیولوژی تقویت شده با هوش مصنوعی است که می تواند با ارائه اطلاعات و آمار کمی از تفسیر تصویر پشتیبانی کند."

201000524.004