Dartmouth Norris Cotton Cancer Center’da araştırmacılar tarafından geliştirilen yeni bir makine öğrenme modeli tarafından tespit edilenler ve patologlar tarafından belirlenen akciğer kanseri histolojik modellerinin tam slayt örnekleri… Ekip, bilgisayar modellerinin ürettiği kararlara dayanarak renk kodlu noktaların yamalar üzerine bindirip, görüntüyü oluşturdu. Patolog açıklayıcılar tarafından yapılan öznel bir kalitatif değerlendirme, her slaytta tespit edilen modellerin hedefte olduğunu doğruladı. / Hassanpour Lab, Dartmouth Norris Cotton Cancer Centre

Makine öğrenimi son yıllarda çarpıcı şekilde gelişti ve tıbbi görüntü analizi alanında büyük umutlar vermeye devam ediyor. Dartmouth Norris Cotton Cancer Centre‘daki bir araştırma ekibi; dünya genelinde kansere bağlı ölümlerin en yaygın sebebi olan akciğer adenokarsinomunun alt tiplerini ve tümör modellerini derecelendirme görevine yardımcı olmak için makine öğrenme yeteneklerinden yararlandı.

Günümüzde, akciğer adenokarsinomunda; patologun tümör kalıplarını ve alt tiplerini belirlemek için, lobektomi* slaytlarının görsel olarak incelenmesini gerektirir. Bu sınıflamanın akciğer kanseri için tedavinin belirlenmesinde önemli bir rolü vardır. Ancak zor ve öznel bir iştir. Makine öğrenimindeki son gelişmeleri kullanan, Dr. Saeed Hassanpour liderliğindeki ekip; histopatoloji slaytlarındaki farklı tipte akciğer adenokarsinomunu sınıflandırmak için derin bir sinir ağı geliştirdi. Ayrıca modelin üç pratik patolog ile aynı performansta olduğunu buldu.

Hassanpour: “Çalışmamız, makine öğreniminin zorlu bir görüntü sınıflandırma görevinde yüksek performans sağlayabildiğini ve akciğer kanseri yönetiminde bir varlık olma potansiyeline sahip olduğunu gösteriyor. Sistemimizin klinik uygulaması; prognoz (hastalık seyri) ve tedavi için kritik olan akciğer kanseri alt tiplerinin doğru sınıflandırılmasında patologlara yardımcı olabilir.”

Akciğer kanseri sınıflandırmasını geliştirme yeteneğini doğrulamak için derin öğrenme modelini klinik bir ortamda test etmenin yanı sıra; ekip bu yöntemi meme, özofagus ve kolorektal kanserdeki diğer zorlu histopatoloji görüntü analizi görevlerine uygulamayı planlıyor.

Hassanpour: “Klinik deneylerle doğrulanırsa, sinir ağı modelimiz patolojilere yardımcı olmak için klinik açıdan potansiyel olarak uygulanabilir. Makine öğrenme yöntemimiz de hızlıdır ve bir slaytı bir dakikadan daha az bir sürede işleyebilir. Bu nedenle hastaları doktorlar tarafından muayene edilmeden önce tetiklemeye yardımcı olabilir ve potansiyel olarak slaytların görsel olarak incelenmesinde patologlara yardımcı olabilir.”

*Lobektomi: Akciğer, karaciğer, tiroid bezi gibi organlardan cerrahi müdahaleyle bir lobun tamamen çıkarılıp alınmasını belirten bir tıbbi terimdir.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

You May Also Like

Düşünce için Sessizlik: İnsan Beynindeki Özel İnternöron Ağları

İnsan beyninin analizi; sinirbilimin temel amacıdır. Bununla birlikte, metodolojik nedenlerle, araştırmalar büyük…

Geniş Etkilere Sahip Bulgularda Çoğu ‘Sessiz’ Gen Mutasyonun, Nötr Değil Zaralı Olduğu Ortaya Çıktı

1960’ların başında, Michigan Üniversitesi mezunu Marshall Nirenberg ve diğer birkaç bilim insanı,…

Elektrik Üretmek için Vücudun Kendi Şekerini Kullanan Ultra İnce Yakıt Hücresi

Glikoz, yediğimiz gıdalardan aldığımız şekerdir. Vücudumuzdaki her hücreye güç veren yakıttır. Glikoz,…

BioNTech CEO’su Uğur Şahin: Hasarlı veya eski organların yaşlanma süreci tersine çevirilebilir

Prof. Dr. Uğur Şahin, gelecekte hasar görmüş organların gençleştirilmesinin mümkün olabileceğine inandığını…