هر روز یک مقاله، شماره ۲۰۷۶ شنبه ۲۱شهریور ۱۴۰۵

عنوان: AI-BLADE toolbox: AI-powered BLADdEr multiparametric MRI analysis for clinical application

خلاصه: این مقاله به معرفی AI-BLADE، یک جعبه‌ابزار اختصاصی مثانه و مبتنی بر هوش مصنوعی برای تحلیل MRI چندپارامتری، توسط پژوهشگران مرکز سرطان Memorial Sloan Kettering می پردازد. این جعبه‌ابزار برای رفع کمبود یک بستر انعطاف‌پذیر، کاربرپسند و مستقل از سازنده طراحی شده است تا داده‌های MRI وزن‌دار T2، انتشار وزن‌دار و دینامیک با کنتراست تقویت‌شده پردازش شوند و نشانگرهای زیستی تصویربرداری کمی قابل‌اعتماد مبتنی بر هوش مصنوعی تولید گردند.

دو جزء اصلی در AI-BLADE یکپارچه شده‌اند. MRI-Deep Feature Analysis به‌صورت یک جعبه‌ابزار مبتنی بر پایتون پیاده‌سازی شده است که با آن ویژگی‌های عمیق از تصاویر آناتومیک استاندارد مانند T2-w استخراج می‌شوند. چندین مدل یادگیری عمیق پیش‌آموزش‌دیده، روش‌های انتخاب ویژگی و طبقه‌بندها گنجانده شده‌اند و پیکربندی‌های مختلف را می‌توان بدون آموزش مجدد از ابتدا آزمون کرد. MRI-Model-Based Analysis به‌صورت یک جعبه‌ابزار مبتنی بر MATLAB پیاده‌سازی شده است که با آن تحلیل کمی DCE و ADC انجام می‌شود. مدل‌هایی مانند انتشار تک‌نمایی، حرکت ناهمسان درون‌وکسل غیرگاوسی، Patlak و Tofts گسترده به‌کار گرفته شده‌اند و نقشه‌های پارامتری و نشانگرهای زیستی عددی تولید شده‌اند که با آن‌ها سلولیت تومور، ریزساختار بافت، پرفیوژن و نفوذپذیری عروقی بازتاب می‌یابند.

در ارزیابی انجام شده ۱۳۸ بیمار در دو گروه وارد شدند: ۱۰۴ بیمار مبتلا به سرطان مثانهٔ مهاجم به عضله برای تحلیل ویژگی‌های عمیق و ۳۴ بیمار مبتلا به سرطان مثانهٔ غیرمهاجم به عضله برای تحلیل کمی مبتنی بر مدل وارد شدند. نواحی مورد علاقهٔ تومور به‌صورت دستی توسط یک رادیولوژیست باتجربهٔ دستگاه ادراری-تناسلی روی تصاویر وزن‌دار T2، انتشار وزن‌دار و دینامیک با کنتراست تقویت‌شده قطعه‌بندی شدند و ماسک‌های NIfTI برای پردازش ذخیره شدند. از داده‌های واقع‌گرایانهٔ MRI چندپارامتری بالینی استفاده شد و هم طبقه‌بندی مبتنی بر یادگیری عمیق و هم استخراج نشانگرهای زیستی فیزیولوژیک ارزیابی گردید.

در تحلیل ویژگی‌های عمیق، ۱۷ مدل هوش مصنوعی برای طبقه‌بندی زیرگروه‌های بافت‌شناسی سرطان مثانه، به‌طور خاص کارسینوم اوروتلیال خالص در برابر بافت‌شناسی واریانت غیرغالب، آزمون شدند. بهترین عملکرد توسط VGG19 همراه با طبقه‌بند درخت تصمیم و بدون انتخاب ویژگی در لایهٔ کاملاً متصل ۷ به دست آمد و سطح زیر منحنی راک برابر با ۰٫۷۹ حاصل شد. عملکرد قوی نیز توسط EfficientNet-B7 نشان داده شد و AUC برابر با ۰٫۷۳ با درخت تصمیم و بدون انتخاب ویژگی به دست آمد. AUC برابر با ۰٫۶۱ به‌طور پیوسته توسط ResNet152 حاصل شد، در حالی که AUC برابر با ۰٫۶۹ توسط AlexNet با SVM و بدون انتخاب ویژگی به دست آمد؛ کاهش به ۰٫۶۰ زمانی مشاهده شد که KNN و انتخاب ویژگی ReliefF استفاده شدند. بر اساس این نتایج پیشنهاد شد که ممکن است تعادلی قوی میان تعمیم‌پذیری و توان تفکیکی در مجموعه‌داده‌های کوچک و ناهمگن MRI مثانه توسط معماری‌های کانولوشنی نسبتاً عمیق و یکنواخت مانند VGG19 ارائه شود.

https://academic.oup.com/bjrai/article/3/1/ubag002/8438344