科技产业报订阅
断链之后
 

美癌症中心结合超音波扫描与机器学习算法进行甲状腺癌初步筛检

机器学习可提供高效率与明确性、低误判率与成本的甲状腺癌初步筛检辅助。Sidney Kimmel Cancer Center - Jefferson Health

美国费城Sidney Kimmel Cancer Center - Jefferson Health的一项新研究,结合非侵入式的超音波扫描与Google平台的机器学习(machine learning)算法,自动分析甲状腺超音波扫描影像以区分良性与恶性结节(nodule),整体正确率达77.4%将有助于甲状腺癌初步筛检。

根据eHealthNews报导,约有67%的人甲状腺内会生成结节,大多数没有症状且为良性,超音波扫描可辨识出可疑的结节,而要进一步了解是否有致癌风险,细针切片检查仅有部分能提供结节是否为恶性或致癌的确定结果,其它样本需透过分子诊断(molecular diagnostics)检测,以判断进一步发展为恶性肿瘤的风险。

目前对致癌风险不明结节的处理指导方针相当有限,分子诊断检测会查找跟恶性甲状腺癌相关的特定变异或分子标记,当结节检验发现到高风险变异或标记时,医师可透过手术切除甲状腺。不过分子诊断的运用标准尚在发展中,且未全面普及到所有医疗院所,尤其是小型社区医院。

为提升超音波扫描这类第一线诊断的预测能力,Jefferson Health的研究团队试验运用自动化的机器学习算法,透过影像处理技术分析超音波扫描影像,找出甲状腺结节的明显特征以预测基因风险,支持甲状腺癌的首次筛检,并跟细针切片检查的结果作比较。这项研究是外科医师与放射学家的重大合作。

研究成果于2019年10月24日发表在JAMA-Oto期刊,显示此一高效率、低成本的算法整体正确率高达77.4%。甲状腺结节最终被诊断为良性的病患当中,有97%的超音波扫描影像经算法分析后也是被归类为低风险,明确性达97%;而被算法归类为恶性或阳性结节的病患当中,有90%也是最终被诊断为恶性或阳性结节,阳性预测正确率达90%误判率低。

虽然仅是初步成果,但这项研究显示自动化机器学习算法,极有潜力成为辅助诊断甲状腺结节的利器,随著算法的可靠性逐步提升,将可提供医师与病患更多信息,以快速决定处理风险不明结节的方式与是否需要切移除甲状腺。研究团队认为机器学习极有潜力,未来将运用特征撷取(feature extraction)技术于自动辨识高风险结节的相关特征。

运用越多影像训练算法,其风险分类结果的正确率与可预测性越高。研究团队运用一组已预先经过风险分类的甲状腺超音波影像训练机器学习模型或算法,这组影像来自121名已进行超音波导引细针切片检查,并根据1组基因完成后续分子诊断的病患,医师发现134个结节,其中43个被判定为高风险、91个为低风险。

算法透过机器学习技术从这组完成分类的影像中,分别找出跟高风险结节与低风险结节相关的模式,然后再运用这些模式自我训练以形成算法本身的内部参数,可为未来的影像组进行风险分类。研究人员随后以1组未分类的影像来测试完成训练的算法,并将高基因风险结节与低基因风险结节的分类结果跟分子诊断进行比较。

Google开发的人工智能(AI)或机器学习算法已应用于其它领域,零售业者Urban Outfitters用于协助分类大量商品以利消费者查找;迪士尼(Disney)则用于根据特定角色或电影来注释产品。此前尚不曾有人将机器学习技术应用于超音波扫描影像的甲状腺结节基因风险分类领域,已经有其它机构表达希望联合资源挹注这项研究的意愿。

  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 癌症研究 机器学习