Искусственный интеллект эффективен при диагностике рака головы и шеи
Технология искусственного интеллекта (ИИ) может успешно применяться в диагностике плоскоклеточного рака головы и шеи. К таким выводам при работе над докторской диссертацией пришел один из ученых. Кроме того, для разработки модели прогнозирования рецидивов плоскоклеточного рака языка на основе имеющихся клинических данных автор использовал одно из направлений ИИ ― машинное обучение (machine learning, ML).
Конечные цели проведенных исследований состояли в оценке эффективности методов ПЭТ/КТ (рентгенографии с контрастированием) при раке головы и шеи и определении целесообразности применения ИИ для прогнозирования развития плоскоклеточного рака языка и рецидива плоскоклеточного рака головы и шеи. Ответы на поставленные вопросы были получены в ходе четырех исследований.
Автор провел сравнение результатов ПЭТ/КТ, панэндоскопии с биопсией и тонкоигольной аспирационной биопсии под контролем УЗИ с последующим цитологическим исследованием у пациентов с подозрением на рак головы и шеи в период с 2014 по 2016 годы. Проведен анализ клинических, геномных, транскриптомных и протеомных маркеров риска рецидива. В образцах крови, взятых у здоровых людей, определяли показатели белков, служащих маркерами воспаления и (или) опухолевых процессов. Для определения наиболее оптимального ML-алгоритма для отбора характерных признаков использовали подход SHAP, в основе которого лежит вектор Шепли (SHapley Additive Explanations). Модели прогнозирования строили с помощью таких ML-алгоритмов, как AdaBoost, искусственные нейронные сети, дерево решений, XGBoost и метод опорных векторов (SVM). Для анализа клинических данных пациентов применяли ряд статистических и ML-методов.
Технология искусственного интеллекта (ИИ) может успешно применяться в диагностике плоскоклеточного рака головы и шеи. К таким выводам при работе над докторской диссертацией пришел один из ученых. Кроме того, для разработки модели прогнозирования рецидивов плоскоклеточного рака языка на основе имеющихся клинических данных автор использовал одно из направлений ИИ ― машинное обучение (machine learning, ML).
Конечные цели проведенных исследований состояли в оценке эффективности методов ПЭТ/КТ (рентгенографии с контрастированием) при раке головы и шеи и определении целесообразности применения ИИ для прогнозирования развития плоскоклеточного рака языка и рецидива плоскоклеточного рака головы и шеи. Ответы на поставленные вопросы были получены в ходе четырех исследований.
Автор провел сравнение результатов ПЭТ/КТ, панэндоскопии с биопсией и тонкоигольной аспирационной биопсии под контролем УЗИ с последующим цитологическим исследованием у пациентов с подозрением на рак головы и шеи в период с 2014 по 2016 годы. Проведен анализ клинических, геномных, транскриптомных и протеомных маркеров риска рецидива. В образцах крови, взятых у здоровых людей, определяли показатели белков, служащих маркерами воспаления и (или) опухолевых процессов. Для определения наиболее оптимального ML-алгоритма для отбора характерных признаков использовали подход SHAP, в основе которого лежит вектор Шепли (SHapley Additive Explanations). Модели прогнозирования строили с помощью таких ML-алгоритмов, как AdaBoost, искусственные нейронные сети, дерево решений, XGBoost и метод опорных векторов (SVM). Для анализа клинических данных пациентов применяли ряд статистических и ML-методов.
