ΕπιστημονικάΜοντέλο μηχανικής μάθησης χαρτογραφεί με ακρίβεια τον όγκο

Μοντέλο μηχανικής μάθησης χαρτογραφεί με ακρίβεια τον όγκο

- Advertisement -

Σύστημα τεχνητής νοημοσύνης που εκπαιδεύτηκε με απεικονιστικές εξετάσεις χιλιάδων ασθενών βελτιώνει την ακρίβεια της χαρτογράφησης όγκων στον εγκέφαλο, αναφέρει η μεγάλη ερευνητική ομάδα που το δοκίμασε, στην οποία περιλαμβάνονται και ερευνητές του Πανεπιστημίου Πατρών.

Σύστημα τεχνητής νοημοσύνης που εκπαιδεύτηκε με απεικονιστικές εξετάσεις χιλιάδων ασθενών βελτιώνει την ακρίβεια της χαρτογράφησης όγκων στον εγκέφαλο, αναφέρει η μεγάλη ερευνητική ομάδα που το δοκίμασε, στην οποία περιλαμβάνονται και ερευνητές του Πανεπιστημίου Πατρών.

ΔΩΡΕΑΝ ΕΓΓΡΑΦΗ ΣΤΟ NEWSLETTER

Η μελέτη, η οποία δημοσιεύεται στο έγκριτο περιοδικό Nature Communications, αφορά το διαβόητο γλοιοβλάστωμα, τον πιο συχνό και πιο επιθετικό καρκίνο του εγκεφάλου.

Για την αντιμετώπισή του με χειρουργείο ή ακτινοθεραπεία, οι γιατροί πρέπει να γνωρίζουν τα ακριβή όρια του όγκου, αφενός για να αποφύγουν την καταστροφή υγιούς ιστού, αφετέρου για να βεβαιωθούν ότι η θεραπεία καταστρέφει όλα τα καρκινικά κύτταρα.

Η μελέτη, με συντονιστή τον δρ Σπιρίδωνα Μπάλα του Πανεπιστημίου της Πενσιλβάνια, περιγράφει τη μεγαλύτερη μέχρι σήμερα δοκιμή τεχνητής νοημοσύνης για την αντιμετώπιση του γλοιοβλαστώματος, ένα μεγάλο εγχείρημα στο οποίο συνεργάστηκαν 71 ερευνητικά κέντρα σε όλο τον κόσμο.

Το μοντέλο μηχανικής μάθησης, με την ονομασία Federated Tumor Segmentation ή FeTS, εξέτασε 3,7 εκατομμύρια τομογραφίες εγκεφάλου από 6.314 ασθενείς.

Ακρίβεια αναγνώρισης

Συγκριτικά με άλλα μοντέλα τεχνητής νοημοσύνης, το FeTS προσφέρει 33% μεγαλύτερη ακρίβεια στην αναγνώριση των ορίων του όγκου, αναφέρει η μεγάλη ερευνητική ομάδα, στην οποία συμμετείχαν οκτώ ερευνητές του Πανεπιστημίου Πατρών (Δημήτριος Καρδαμάκης, Πέτρος Ζαμπάκης, Βασίλειος Παναγιωτόπουλος, Παναγιώτης Τσίγκανος, Ηλίας Χαλιάσσος, Ευαγγελία Ζαχαράκη, Σωτήρης Αλεξίου, Κωνσταντίνος Μουστάκας).

Η προσέγγιση που ακολούθησε η μελέτη ονομάζεται Federated Learning (συνεργατική κατανεμημένη μάθηση, σε ελεύθερη απόδοση) και αφορά τον καταμερισμό της επεξεργασίας των δεδομένων σε επιμέρους κέντρα, χωρίς να μεταφέρονται εκτός νοσοκομείου τα δεδομένα των ασθενών.

Το Federated Learning «αφορά ένα δίκτυο σταθμών επεξεργασίας σε διαφορετικές τοποθεσίες όπου ο κάθε σταθμός επιλύει ένα μέρος του προβλήματος […] Είναι σημαντικό για τα νοσοκομεία γιατί δε χρειάζεται να παραδώσουν ευαίσθητα δεδομένα για επεξεργασία από τρίτους» όπως εξηγεί ο Κωνσταντίνος Μουστάκας, καθηγητής του τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών στο Πανεπιστήμιο της Πάτρας.

Η επιτυχία της μελέτης, προσθέτει, «είναι μία απόδειξη ότι η τεχνητή νοημοσύνη δίνει πλέον νέες προοπτικές, τόσο στην επίλυση προβλημάτων της Ιατρικής όσο και στους τρόπους συνεργασίας ερευνητικών και κλινικών κέντρων της υφηλίου».

Κάντε like στη σελίδα μας στο facebook για να μαθαίνετε όλα τα νέα

Πηγή

ΣΧΕΤΙΚΑ ΑΡΘΡΑ

ΠΡΟΣΦΑΤΑ ΑΡΘΡΑ