זיהוי הסוואה מגביר רשתות עצביות לאבחון גידול במוח

רשתות עצביות מאומנות עם שלב זיהוי הסוואה מראות דיוק ורגישות משופרים בזיהוי גידולי מוח מסריקות MRI, תוך חיקוי של רדיולוגים מומחים.

לִלמוֹד: למידה עמוקה ולמידה של העברה לאיתור וסיווג גידולי מוח. קרדיט תמונה: Elif Bayraktar/Shutterstock.com

במחקר שפורסם לאחרונה ב שיטות ופרוטוקולים של ביולוגיהבחנו החוקרים את השימוש ברשתות עצביות קונבולוציוניות (CNNs) ולמידה העברת כדי לשפר את זיהוי גידולי מוח בסריקות הדמיית תהודה מגנטית (MRI).

באמצעות CNN שהוכשרו מראש לאיתור הסוואה של בעלי חיים ללימוד העברה, המחקר בדק האם הצעד הלא שגרתי הזה יכול לשפר את הדיוק של CNN בזיהוי גליומות ולשפר את התמיכה האבחונית בהדמיה רפואית.

רֶקַע

מודלים של בינה מלאכותית (AI) ולמידה עמוקה, כולל CNNs, עשו צעדים משמעותיים בהדמיה רפואית, במיוחד בזיהוי וסיווג של דפוסים מורכבים במשימות כמו זיהוי גידולים. יתר על כן, CNNs מצטיינים בלמידה וזיהוי תכונות מתמונות, מה שמאפשר להם לסווג נתונים בלתי נראים בצורה מדויקת.

בנוסף, למידת העברה – תהליך שבו מודלים שהוכשרו מראש מותאמים למשימות חדשות אך קשורות – יכולה לשפר את האפקטיביות של CNNs, במיוחד ביישומים מבוססי תמונה שבהם הנתונים עשויים להיות מוגבלים.

בעוד שמספר רב של CNNs אומנו על מערכי נתונים גדולים לזיהוי גידולי מוח, הדמיון המובנה בין רקמות נורמליות לסרטניות ממשיכים להציג אתגרים.

לגבי המחקר

המחקר הנוכחי השתמש בשילוב של מודלים מבוססי CNN וטכניקות למידה העברת כדי לחקור את הסיווג של גידולי מוח באמצעות סריקות MRI.

החוקרים השתמשו במערך נתונים ראשי שהורכב מתמונות MRI פוסט-ניגודיות במשקל T1 ו-T2 המציגות שלושה סוגים של גליומות – אסטרוציטומות, אוליגודנדרגליומות ואוליגואסטרוציטומות – כמו גם תמונות מוח רגילות.

נתונים עבור בדיקות MRI של גליומה התקבלו ממקורות מקוונים, בעוד מערכת הבריאות של Veterans Affairs Boston סיפקה בדיקות MRI מוחיות תקינות. בעוד החוקרים השתמשו בעיבוד מקדים של תמונה ידני, שכלל חיתוך ושינוי גודל, לא בוצעה נורמליזציה מרחבית נוספת שיכולה להציג הטיה.

המחקר היה ייחודי בשימוש שלו ב-CNN שהוכשר מראש לאיתור בעלי חיים מוסווים, והחוקרים שיערו שאימון ה-CNN על דפוסים בחיות מוסוות עשוי לשפר את רגישות הרשת לתכונות עדינות ב-MRI במוח.

הם האמינו שניתן לערוך הקבלות בין הבחנה בין רקמות סרטניות ותאים מהרקמה הבריאה המקיפה את הגידול לבין זיהוי בעלי חיים באמצעות הסוואה טבעית כדי להסתתר.

המודל שהוכשר מראש זה שימש כבסיס ללמידה של העברה ברשתות העצביות המשמשות במחקר, כלומר, T1Net ו-T2Net, לסיווג בדיקות MRI במשקל T1 ו-T2, בהתאמה. יתר על כן, כדי לנתח את הביצועים של ה-CNN מעבר לפרמטרים כמו דיוק, המחקר השתמש בטכניקות AI (XAI) הניתנות להסבר.

המחקר מיפה את מרחבי התכונות באמצעות ניתוח רכיבים ראשיים כדי להמחיש את הפצת הנתונים. במקביל, DeepDreamImage סיפקה פרשנויות חזותיות של דפוסים פנימיים, ומפות בולטות של Gradient-Weighted Class Activation או Grad-CAM הדגישו את האזורים הקריטיים בסריקות MRI המשמשות את הרשת לסיווג.

במצטבר, שיטות אלו הציעו תובנות לגבי תהליכי קבלת ההחלטות של ה-CNN וההשפעה של למידת העברת הסוואה על תוצאות הסיווג.

תוצאות

המחקר הראה שהעברת למידה מזיהוי הסוואה של בעלי חיים שיפרה את הביצועים של CNN במשימות הכרוכות בסיווג של גידולי מוח. יש לציין, שלמידת העברה הגבירה משמעותית את הדיוק של מודל ה-MRI המשוקלל T2, והשיגה דיוק של 92.20%, שהיווה עלייה משמעותית מהדיוק של 83.85% במודל ללא העברה.

שיפור זה היה מובהק סטטיסטית עם ערך p של 0.0035 והגביר באופן משמעותי את דיוק הסיווג של אסטרוציטומות. עבור סריקות MRI במשקל T1, הרשת שעברה הכשרה הראתה דיוק של 87.5%, אם כי שיפור זה לא היה מובהק סטטיסטית.

יתר על כן, מרחבי התכונה שנוצרו משני המודלים לאחר למידת העברה הצביעו על יכולת הכללה משופרת, במיוחד עבור T2Net.

בהשוואה למודלים בסיסיים, הרשתות שעברו הכשרה הציגו הפרדה ברורה יותר בין קטגוריות הגידול, כאשר מודל ההעברה T2 הראה הבחנה מוגברת, במיוחד עבור אסטרוציטומות.

ההדמיות של DeepDreamImage סיפקו פרטים נוספים, והראו 'הדפסי תכונה' מוגדרים ומובחנים יותר עבור כל סוג גליומה ברשתות שעברו הכשרה בהשוואה למודלים בסיסיים.

הבחנה זו העלתה שלמידת העברה מזיהוי הסוואה עזרה לרשתות לזהות טוב יותר מאפיינים מרכזיים של גידולים, אולי על ידי הכללה מדפוסי הסוואה עדינים.

יתרה מכך, מפות הבולטות של GradCAM גילו שרשתות T1 ו-T2 התמקדו הן באזורי הגידול והן ברקמות הסובבות במהלך הסיווג. זה היה דומה לתהליך האבחון שבו השתמשו רדיולוגים אנושיים לבחינת עיוות רקמות בסמוך לגידולים, מה שמצביע על כך שהרשתות שעברו הכשרה יכולות לזהות תכונות עדינות ורלוונטיות יותר בסריקות MRI.

מסקנות

לסיכום, המחקר הצביע על כך שלמידת העברה מרשתות שהוכשרו מראש לזיהוי הסוואה של בעלי חיים שיפרה את הביצועים של CNN בסיווג גידולי מוח בסריקות MRI, במיוחד עם תמונות במשקל T2. גישה זו שיפרה את יכולת הרשתות לזהות תכונות עדינות של הגידול והגדילה את דיוק הסיווג.

ממצאים אלה תומכים בפוטנציאל של מקורות אימון לא קונבנציונליים לשיפור ביצועי הרשת העצבית במשימות הדמיה רפואיות מורכבות, ומציעים כיוון מבטיח לכלי אבחון עתידיים בעזרת AI.