Un modèle d’apprentissage automatique s’appuie sur des méthodes d’imagerie pour mieux détecter les lésions ovariennes – La Source

Bien que le cancer de l’ovaire soit le type de cancer le plus mortel pour les femmes, seulement 20 % environ des cas sont détectés à un stade précoce, car il n’existe pas de véritables tests de dépistage pour eux et peu de symptômes pour les déclencher. De plus, les lésions ovariennes sont difficiles à diagnostiquer avec précision – si difficiles, en fait, qu’il n’y a aucun signe de cancer chez plus de 80% des femmes qui subissent une intervention chirurgicale pour retirer et tester les lésions.

Quing Zhu, professeur Edwin H. Murty de génie biomédical à l’Université de Washington à la McKelvey School of Engineering de St. Louis, et les membres de son laboratoire ont appliqué diverses méthodes d’imagerie pour diagnostiquer plus précisément le cancer de l’ovaire. Maintenant, ils ont développé un nouveau modèle de fusion d’apprentissage automatique qui tire parti des caractéristiques ultrasonores existantes des lésions ovariennes pour entraîner le modèle à reconnaître si une lésion est bénigne ou cancéreuse à partir d’images reconstruites prises avec la tomographie photoacoustique. L’apprentissage automatique s’est traditionnellement concentré sur les données à modalité unique. Des découvertes récentes ont montré que l’apprentissage automatique multimodalité est plus robuste dans ses performances que les méthodes unimodales. Dans une étude pilote de 35 patients avec plus de 600 régions d’intérêt, la précision du modèle était de 90 %.

Il s’agit de la première étude utilisant des ultrasons pour améliorer les performances d’apprentissage automatique de la reconstruction par tomographie photoacoustique pour le diagnostic du cancer. Les résultats de la recherche ont été publiés dans le numéro de décembre de la revue Photoacoustique.

“Les modalités existantes sont principalement basées sur la taille et la forme des lésions ovariennes, qui ne fournissent pas un diagnostic précis pour le cancer de l’ovaire précoce et pour l’évaluation du risque de grandes lésions annexielles/ovariennes”, a déclaré Zhu, également professeur de radiologie à l’École. de Médecine. “L’imagerie photoacoustique ajoute plus d’informations fonctionnelles sur le contraste vasculaire à partir de la concentration d’hémoglobine et de la saturation en oxygène du sang.”

Yun Zou, doctorant dans le laboratoire de Zhu, a développé un nouveau modèle de fusion d’apprentissage automatique en combinant un réseau de neurones à ultrasons avec un réseau de neurones de tomographie photoacoustique pour effectuer un diagnostic de lésion ovarienne. Les lésions cancéreuses des ovaires peuvent se présenter sous plusieurs morphologies différentes dès l’échographie : certaines sont solides, et d’autres présentent des projets papillaires à l’intérieur des lésions kystiques, ce qui les rend plus difficiles à diagnostiquer. Pour améliorer le diagnostic global de l’échographie, ils ont ajouté la concentration totale d’hémoglobine et la saturation en oxygénation du sang à partir de l’imagerie photoacoustique, qui sont toutes deux des biomarqueurs du tissu ovarien cancéreux.

“Nos résultats ont montré que le modèle de fusion d’imagerie photoacoustique amélioré par ultrasons reconstruisait les cartes de saturation totale de l’hémoglobine et de l’oxygène dans le sang de la cible avec plus de précision que les autres méthodes et fournissait un diagnostic amélioré des cancers de l’ovaire à partir de lésions bénignes”, a déclaré Zou.

Le financement de cette recherche provient des National Institutes of Health (R01 CA237664, R01 CA228047).

La McKelvey School of Engineering de l’Université de Washington à St. Louis promeut la recherche et l’éducation indépendantes en mettant l’accent sur l’excellence scientifique, l’innovation et la collaboration sans frontières. McKelvey Engineering propose des programmes de recherche et d’études supérieures parmi les meilleurs dans tous les départements, en particulier en génie biomédical, en génie environnemental et en informatique, et propose l’un des programmes de premier cycle les plus sélectifs du pays. Avec 165 professeurs à temps plein, 1 420 étudiants de premier cycle, 1 614 étudiants diplômés et 21 000 anciens élèves vivants, nous travaillons à résoudre certains des plus grands défis de la société; préparer les étudiants à devenir des leaders et à innover tout au long de leur carrière ; et d’être un catalyseur du développement économique pour la région de Saint-Louis et au-delà.