Artificial Intelligence Model for Tumoral Clinical Decision Support Systems

要約

脳腫瘍評価における比較診断により、医療センターの利用可能な情報を利用して、新規患者の評価時に同様の症例を比較することが可能になります。
人工知能モデルを活用することにより、提案されたシステムは、特定のクエリに対して最も類似した脳腫瘍の症例を検索することができます。
主な目的は、患者固有の正常な特徴と病理に特に焦点を当てて、医療画像のより正確な表現を生成することによって診断プロセスを強化することです。
以前のモデルとの主な違いは、バイナリ情報のみから強化された画像記述子を生成する機能にあり、コストがかかり取得が困難な腫瘍セグメンテーションの必要性がなくなりました。
提案されたモデルは、人工知能を使用して患者の特徴を検出し、データベースから最も類似した症例を推奨します。
このシステムは、同様のケースを提案するだけでなく、その設計において健康な特徴と異常な特徴の表現のバランスもとります。
これは、その使用の一般化を促進するだけでなく、臨床医の意思決定プロセスにも役立ちます。
この一般化により、システムをほとんど変更することなく、さまざまな医療診断分野での将来の研究が可能になります。
私たちは、同様の研究と関連して、私たちのアプローチの比較分析を実施しました。
提案されたアーキテクチャは、患者の腫瘍領域と健康な領域の両方で 0.474 の Dice 係数を取得し、これは以前の文献を上回ります。
私たちが提案するモデルは、脳スキャンから解剖学的特徴と病理学的特徴を抽出して組み合わせることに優れており、より安価なラベル情報に依存しながら最先端の結果を達成します。
これにより、トレーニング プロセスの全体的なコストが大幅に削減されます。
私たちの発見は、腫瘍病理の比較診断と治療の効率と精度を向上させる大きな可能性を強調しています。

要約(オリジナル)

Comparative diagnostic in brain tumor evaluation makes possible to use the available information of a medical center to compare similar cases when a new patient is evaluated. By leveraging Artificial Intelligence models, the proposed system is able of retrieving the most similar cases of brain tumors for a given query. The primary objective is to enhance the diagnostic process by generating more accurate representations of medical images, with a particular focus on patient-specific normal features and pathologies. A key distinction from previous models lies in its ability to produce enriched image descriptors solely from binary information, eliminating the need for costly and difficult to obtain tumor segmentation. The proposed model uses Artificial Intelligence to detect patient features to recommend the most similar cases from a database. The system not only suggests similar cases but also balances the representation of healthy and abnormal features in its design. This not only encourages the generalization of its use but also aids clinicians in their decision-making processes. This generalization makes possible for future research in different medical diagnosis areas with almost not any change in the system. We conducted a comparative analysis of our approach in relation to similar studies. The proposed architecture obtains a Dice coefficient of 0.474 in both tumoral and healthy regions of the patients, which outperforms previous literature. Our proposed model excels at extracting and combining anatomical and pathological features from brain scans, achieving state-of-the-art results while relying on less expensive label information. This substantially reduces the overall cost of the training process. Our findings highlight the significant potential for improving the efficiency and accuracy of comparative diagnostics and the treatment of tumoral pathologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google