Derin Öğrenme, Meme Kanseri Tümörlerini Sınıflandırmasına Yardımcı Oluyor

Amerika Birleşik Devletleri’nde, meme kanseri olmuş veya olan 3,1 milyondan fazla kadın var. Bu yıl 266,000’den fazla kadının agresif meme kanseri teşhisi konması bekleniyor. Doktorların bu hastalığı daha iyi tanımasına ve tedavi etmesine yardımcı olmak için araştırmacılar yapay zekaya yöneliyorlar. Kuzey Carolina Üniversitesi’nden yakın zamanda yayınlanan bir çalışmada, araştırmacılar, göğüs kanseri dijital patoloji görüntülerini analiz etmek ve tümörleri yüksek doğrulukla sınıflandırmak için geliştirdikleri derin bir öğrenmeye dayalı sistemi açıklamaktadır.

Araştırmacılar makalelerinde “Meme kanserinin görüntü tabanlı özellikleri klinik prognostikte (neticeyi önceden gösteren) önemli bir role sahiptir” dedi. “Örneğin, tümör derecesi, östrojen reseptörü pozitifliği gibi diğer uygun prognostik özellikleri olan tümörler arasında bile sağkalımı güçlü bir şekilde etkiler.”

Araştırmacılar, prognostikasyondaki çoğu ilerlemenin, pahalı olabilecek ve rutin olarak onlardan yararlanabilecek tüm klinik hastalara uygulanamayan moleküler metotlara dayandığını söyledi.

NVIDIA Tesla GPU’ları kullanan ekip, tümörleri sınıf, östrojen reseptör durumu, PAM50 intrinsik (esas) alt tip ve histolojik alt tip olarak sınıflandırmak için Carolina Meme Kanseri Çalışmasından meme kanseri tümörlerinin 500’den fazla patoloji görüntüsünde bir konvolüsyonel sinir ağı geliştirdi. Bu, bu verilere dayanarak bir yineleme riski puanının hesaplanmasını sağlamıştır.

Ekip daha sonra nöral ağın doğruluğunu ayrı bir 288 görüntü setinde test etti. Algoritma, düşük-orta ve yüksek dereceli tümörler arasında yüzde 82 hassasiyetle ayırt edebildi.

UNC Lineberger’ın Tıp Fakültesinde patoloji ve laboratuarı, genetik profesörü Charles M. Perou, “Yapay zekayı ya da makine öğrenimini kullanarak, patologların da benzer bir doğrulukta yapabileceği birçok şey yapabildik, ama aynı zamanda patologların bugün yapamadıkları bir iki şey de yapabildik” dedi . “Bu, doğrulama açısından gitmenin uzun bir yoludur ancak bence doğruluk, bilgisayarı eğitmek için daha fazla görüntü elde ettiğimizde daha iyi olacaktır.”

Çalışma yakın zamanda NPG Meme Kanseri dergisinde yayınlandı.

Ekip, bir gün, algoritmanın daha fazla genomik testten faydalanacak hastaları tanımlamak için kullanılabileceğini umuyor. Algoritmanın başka bir potansiyel kullanımı, doğrudan tümörün patoloji görüntüsünden östrojen reseptörünün durumunu belirleyecektir. Bu, sınırlı laboratuar test kaynakları olan ülkelerde son derece yararlı olacaktır.

Kaynak: NVIDIA Developer News Center