Согласно исследованию, опубликованному 1 июля в журнале «The New York Times», машинное обучение может помочь улучшить интерпретацию эхокардиографии опухолей сердца. Информатика в медицине разблокирована.
Группа под руководством доктора философии Сейеда-Али Садега-Заде из Стаффордширского университета в Англии обнаружила, что ее модель машинного обучения достигла высокой эффективности в диагностике опухолей сердца, включая почти идеальный показатель площади под кривой (AUC).
«Эти результаты свидетельствуют о потенциале машинного обучения в революционной диагностике опухолей сердца, предлагая пути к более точным, неинвазивным и ориентированным на пациента диагностическим процессам», — написала группа Садега-Заде.
Хотя опухоли сердца встречаются редко, они представляют собой уникальные проблемы для врачей из-за симптомов, имитирующих другие состояния. Локализация и характеристика этих опухолей требуют передовой визуализации.
Эхокардиография является основным методом визуализации в этой области, но ее способность различать типы опухолей и определять злокачественность ограничена. Исследователи подчеркнули, что методы машинного обучения могут привести к улучшению диагностических показателей.
Садег-Заде и коллеги объединили данные эхокардиографических изображений и патологий с передовыми методами машинного обучения для повышения точности диагностики опухолей сердца. Они использовали машины опорных векторов, случайный лес и машины градиентного усиления, которые были оптимизированы для ограниченных наборов данных в специализированных медицинских областях.
Исследование включало клинические данные 399 пациентов и оценивало производительность моделей по сравнению с традиционными диагностическими метриками. Исследователи сообщили, что модель случайного леса превзошла другие модели по точности диагностики.
Эффективность моделей машинного обучения при диагностике опухолей сердца Мера Машины опорных векторов Машины градиентного усиления Случайный лес Точность 71,25% 96,25% 96,25% Точность (доброкачественные опухоли) 78% 99% 99% Точность (злокачественные опухоли) 50% 88% 88% Полнота (доброкачественные) 43% 95% 95% Полнота (злокачественные) 43% 99% 99% Оценка F1 (доброкачественная) 80,34 97,3% 97,3% Оценка F1 (злокачественная) 46,51 93,88% 93,88% AUC 0,72 0,98 0,99
Команда также определила следующие ключевые клинические предикторы: возраст, злокачественность эхо и положение эхо. Это подчеркивает ценность интеграции различных типов данных, отметили они.
Модель случайного леса была включена в клиническую проверку и достигла диагностической точности 94% в реальных условиях.
Авторы исследования подчеркнули, что результаты показывают возможности машинного обучения в улучшении диагностической точности при оценке опухолей сердца. Они добавили, что исследование «также закладывает основу для будущих исследований» более широких приложений технологии в различных областях медицинской диагностики. Оно подчеркивает необходимость расширенных наборов данных и внешней проверки, отметили авторы.
«Кроме того, для успешного внедрения крайне важно изучить исследования по внедрению, чтобы понять практические аспекты интеграции этих моделей в клинические условия, включая интеграцию рабочих процессов, обучение врачей и результаты для пациентов», — пишут они.
Полное исследование можно найти здесь.
2024-07-02 09:01:47
1719911472
#Машинное #обучение #помощью #эхо #улучшает #диагностику #опухолей #сердца
