Нейроны глубокого обучения в медицинском исследовании

революция в анализе изображений для прогнозирования и диагностики заболеваний

Аннотация

Обширные исследования в области медицинских систем здравоохранения открывают перспективы внедрения ИТ-технологий с новейшими инновациями. Эти инновации направлены на эффективное использование медицинских систем, включая автоматизированную диагностику здоровья. В сфере здравоохранения основное внимание уделяется прогнозированию рака, его различных форм и влияния на различные органы. Рак, который считается трудным для лечения, является одной из наиболее агрессивных форм, часто встречающейся на поздних стадиях, что затрудняет эффективное лечение. В свете этого медицинские исследования стремятся внедрить автоматизированные системы для определения стадий рака, позволяющие более точно диагностировать и лечить. Глубокое обучение становится ключевой областью, расширяющейся в область медицинской визуализации, автоматизации диагностических процессов с использованием таких технологий, как системы КТ/ПЭТ. Прогноз распространения рака осуществляется с использованием пороговых параметров в качестве маркеров. Направление исследований этой работы сосредоточено на области медицины, охватывающей прогноз различных форм рака.
Обзор литературных источников включает в себя различные статьи, посвященные применению глубокого обучения в медицинском контексте, с особым упором на рак молочной железы. Обсуждаемые темы включают прогнозирование ответа на химиотерапию при тройном негативном раке молочной железы, автоматическое обнаружение метастазов в печени по КТ-изображениям, оценку ответа на иммунотерапию при раке легких и прогнозирование клинической пользы адъювантной химиотерапии при раке молочной железы с положительным по рецепторам гормонов.

Сведения об авторе

Moise Hermann Mabouh, Российский университет дружбы народов имени Патриса Лумумбы

аспирант кафедры математического моделирования и искусственного интеллекта факультета физико-математических и естественных наук

Литература

1. Ashokkumar S., Kumar S.M., Rajaraman R., Sugumaran D., Saranya N.N. Comparative Analysis of Deep Learning Algorithms for Image Recognition in Medical Imaging. In: 2024 Second International Conference on Advances in Information Technology (ICAIT). Chikkamagaluru, Karnataka, India: IEEE Press; 2024. p. 1-6. https://doi.org/10.1109/ICAIT61638.2024.10690528
2. Cui S., Lee D., Wen D. Toward brain-inspired foundation model for EEG signal processing: our opinion. Frontiers in Neuroscience. 2024;18:1507654. https://doi.org/10.3389/fnins.2024.1507654
3. Premkumar M., Chawla Y. Hepatocellular Carcinoma: Molecular Diagnosis and Perspectives for Therapy. Journal of Clinical and Experimental Hepatology. 2024;14(6):102413. https://doi.org/10.1016/j.jceh.2024.102413
4. Panwar P., Bangwal S., Pasbola U., Kumar A., Sar A., Choudhury T. Diagnosis and Prediction of Skin Diseases Using Deep Learning for Rural Healthcare. In: 2024 1st International Conference on Innovative Sustainable Technologies for Energy, Mechatronics, and Smart Systems (ISTEMS). Dehradun, India: IEEE Press; 2024. p. 1-6. https://doi.org/10.1109/ISTEMS60181.2024.10560209
5. Qian K., Suarez G.O., Nambara T., Kanekiyo T., Zhang Y.J. High-throughput digital twin framework for predicting neurite deterioration using MetaFormer attention. arXiv:2501.08334v1. 2024. https://doi.org/10.48550/arXiv.2501.08334
6. Dudek K.A., et al. Astrocytic Cannabinoid Receptor 1 Promotes Resilience by Dampening Stress-Induced Blood-Brain Barrier Alterations and Inflammation. Biological Psychiatry. 2024;95(10):S2. https://doi.org/10.1016/j.biopsych.2024.02.012
7. Mangalampalli S., Karri G.R., Shaw A. Exploring AI’s Role in Managing Neurodegenerative Disorders: Possibilities and Hurdles. In: Gaur L., Abraham A., Ajith R. (eds.) AI and Neuro-Degenerative Diseases. Studies in Computational Intelligence. Vol. 1131. Cham: Springer; 2024. p. 105-131. https://doi.org/10.1007/978-3-031-53148-4_7
8. Raju G., Karnati M., Kistenev Y.V., Mazumder N. Two Photon Fluorescence Integrated Machine Learning for Data Analysis and Interpretation. In: Gogoi A., Mazumder N. (eds.) Biomedical Imaging. Biological and Medical Physics, Biomedical Engineering. Singapore: Springer; 2024. p. 195-208. https://doi.org/10.1007/978-981-97-5345-1_8
9. Sujatha E., Subiksha M. Predictive Precision: A Comparative Study of ML in Alzheimer's Diagnosis. In: 2024 1st International Conference on Trends in Engineering Systems and Technologies (ICTEST). Kochi, India: IEEE Press; 2024. p. 01-05. https://doi.org/10.1109/ICTEST60614.2024.10576101
10. Pulumati A., et al. Technological advancements in cancer diagnostics: Improvements and limitations. Cancer Reports. 2023;6(2):e1764. https://doi.org/10.1002/cnr2.1764
11. Passaro A., et al. Cancer biomarkers: Emerging trends and clinical implications for personalized treatment. Cell. 2024;187(7):1617-1635. https://doi.org/10.1016/j.cell.2024.02.041
12. Sufyan M., Shokat Z., Ashfaq U.A. Artificial intelligence in cancer diagnosis and therapy: Current status and future perspective. Computers in Biology and Medicine. 2023;165:107356. https://doi.org/10.1016/j.compbiomed.2023.107356
13. Asri H., Mousannif H., Moatassime H.A., Noël T. Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis. Procedia Computer Science. 2016;83:1064-1069. https://doi.org/10.1016/j.procs.2016.04.224
14. Miotto R., Li L., Dudley J.T. Deep Learning to Predict Patient Future Diseases from the Electronic Health Records. In: Ferro N., et al. Advances in Information Retrieval. ECIR 2016. Lecture Notes in Computer Science. Vol. 9626. Cham: Springer; 2016. p. 768-774. https://doi.org/10.1007/978-3-319-30671-1_66
15. Bridge C.P., et al. Fully-Automated Analysis of Body Composition from CT in Cancer Patients Using Convolutional Neural Networks. In: Stoyanov D., et al. OR 2.0 Context-Aware Operating Theaters, Computer Assisted Robotic Endoscopy, Clinical Image-Based Procedures, and Skin Image Analysis. CARE CLIP OR 2.0 ISIC 2018 2018 2018 2018. Lecture Notes in Computer Science. Vol. 11041. Cham: Springer; 2018. p. 204-213. https://doi.org/10.1007/978-3-030-01201-4_22
16. Glicksberg B.S., Miotto R., Johnson K.W., Shameer K., Li L., Chen R., Dudley J.T. Automated disease cohort selection using word embeddings from Electronic Health Records. Pacific Symposium on Biocomputing 2018. In: Proceedings of the Pacific Symposium. 2018;145-156. https://doi.org/10.1142/9789813235533_0014
17. Hussein S., Kandel P., Bolan C.W., Wallace M.B., Bagci U. Lung and Pancreatic Tumor Characterization in the Deep Learning Era: Novel Supervised and Unsupervised Learning Approaches. IEEE Transactions on Medical Imaging. 2019;38(8):1777-1787. https://doi.org/10.1109/TMI.2019.2894349
18. Cireşan D.C., Giusti A., Gambardella L.M., Schmidhuber J. Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In: Mori K., Sakuma I., Sato Y., Barillot C., Navab N. (eds.) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013. MICCAI 2013. Lecture Notes in Computer Science. Vol. 8150. Berlin, Heidelberg: Springer; 2013. p. 411-418. https://doi.org/10.1007/978-3-642-40763-5_51
19. Corredor G., Wang X., Lu C., Velcheti V., Romero E., Madabhushi A. A watershed and feature-based approach for automated detection of lymphocytes on lung cancer images. Proc. SPIE 10581, Medical Imaging 2018: Digital Pathology. 2018;105810R. https://doi.org/10.1117/12.2293147
20. Geras K.J., Wolfson S., Shen Y., Wu N., Kim S.G., Kim E., Heacock L., Parikh U., Moy L., Cho K. High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks. arXiv:1703.07047v3. 2018. https://doi.org/10.48550/arXiv.1703.07047
21. Sekaran K., Chandana P., Krishna N.M., Kadry S. Deep learning convolutional neural network (CNN) With Gaussian mixture model for predicting pancreatic cancer. Multimedia Tools and Applications. 2020;79(15-16):10233-10247. https://doi.org/10.1007/s11042-019-7419-5
22. Isola P., Zhu J.-Y., Zhou T., Efros A.A. Image-to-Image Translation with Conditional Adversarial Networks. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA: IEEE Press; 2017. p. 5967-5976. https://doi.org/10.1109/CVPR.2017.632
23. Li H., et al. Deep Convolutional Neural Networks For Imaging Data Based Survival Analysis Of Rectal Cancer. In: 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019). Venice, Italy: IEEE Press; 2019. p. 846-849. https://doi.org/10.1109/ISBI.2019.8759301
24. Li H., et al. Deep Convolutional Neural Networks for Imaging Based Survival Analysis of Rectal Cancer Patients. International Journal of Radiation Oncology, Biology, Physics. 2017;99(2):S183. Available at: https://www.redjournal.org/article/S0360-3016(17)31510-9/fulltext (accessed 09.11.2023).
25. Cho S.Y., Lee J.H., Ryu J.M., et al. Deep learning from HE slides predicts the clinical benefit from adjuvant chemotherapy in hormone receptor-positive breast cancer patients. Scientific Reports. 2021;11:17363. https://doi.org/10.1038/s41598-021-96855-x
Опубликована
2024-03-31
Как цитировать
MABOUH, Moise Hermann. Нейроны глубокого обучения в медицинском исследовании. Современные информационные технологии и ИТ-образование, [S.l.], v. 20, n. 1, mar. 2024. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/1061>. Дата доступа: 02 apr. 2025
Раздел
Исследования и разработки в области новых ИТ и их приложений