Simple Science

Scienza all'avanguardia spiegata semplicemente

# Fisica# Elaborazione di immagini e video# Visione artificiale e riconoscimento di modelli# Apprendimento automatico# Fisica medica

Sistemi automatizzati per la diagnosi delle malattie della tiroide

Nuove tecniche automatizzate migliorano l'accuratezza e la velocità nella diagnosi delle malattie della tiroide.

― 7 leggere min


Scoperta rivoluzionariaScoperta rivoluzionariaper la diagnosiautomatica della tiroidemalattie della tiroide.e la velocità nella rilevazione delleNuovi sistemi migliorano l'accuratezza
Indice

Le malattie della tiroide sono problemi di salute comuni che colpiscono milioni di persone in tutto il mondo. La tiroide è una piccola ghiandola situata nella parte anteriore del collo. Produce ormoni che regolano il metabolismo, i livelli di energia e le funzioni generali del corpo. Sfortunatamente, molte persone sviluppano problemi legati a questa ghiandola, portando a condizioni come goffaggine e tiroidite.

Quando i medici hanno bisogno di diagnosticare queste condizioni, spesso si affidano a tecniche di imaging. Queste includono metodi come la scintigrafia, l'ecografia e le TAC. Tuttavia, esaminare queste immagini di solito richiede un esperto formato, che può essere dispendioso in termini di tempo e a volte soggettivo. Questo significa che due medici possono guardare la stessa immagine e giungere a conclusioni diverse.

Per migliorare la diagnosi delle malattie tiroidee, si stanno esplorando nuove tecniche. Un'area promettente è l'uso di sistemi automatizzati che possono analizzare queste immagini. Questi sistemi possono aiutare a ridurre i tempi di diagnosi e migliorare l'accuratezza.

Comprendere la scintigrafia e il suo ruolo

La scintigrafia è un metodo di imaging specifico che utilizza piccole quantità di materiale radioattivo per visualizzare quanto bene funzioni la tiroide. I pazienti sottoposti a questo processo di imaging ricevono immagini che mostrano come sta lavorando la ghiandola tiroidea.

Negli ultimi anni, i ricercatori hanno lavorato per sviluppare sistemi automatizzati per analizzare queste immagini di scintigrafia. Questi sistemi possono aiutare i medici a comprendere meglio la condizione della tiroide di un paziente senza la necessità di una formazione approfondita. Questo potrebbe essere di grande beneficio sia per i pazienti che per i fornitori di assistenza sanitaria, accelerando il processo di diagnosi.

La pipeline automatizzata per l'analisi della tiroide

Una pipeline automatizzata è un modo sistematico per analizzare le immagini tiroidee. Questa pipeline utilizza tecnologie avanzate per elaborare le immagini, segmentare l'area tiroidea e classificare condizioni specifiche. L'obiettivo è ridurre il tempo necessario per le valutazioni aumentando l'accuratezza delle diagnosi.

Il primo passo di questa pipeline automatizzata consiste nel segmentare la regione tiroidea dalle immagini. Questo significa che il sistema guarda un'immagine della tiroide e identifica l'area esatta che richiede analisi. Una volta determinata la regione, il passo successivo è classificare il tipo di malattia tiroidea presente. Questo viene fatto utilizzando un insieme di criteri definiti in base ai dati raccolti.

I ricercatori hanno creato un Modello specifico noto come Residual UNet (ResUNet) per gestire il compito di Segmentazione. Questo modello è addestrato per riconoscere con precisione diverse caratteristiche nelle immagini. Dopo la segmentazione, il modello estrae varie caratteristiche che possono fornire ulteriori approfondimenti su cosa stia succedendo con la tiroide.

Raccolta e analisi dei dati

Per costruire questo sistema Automatizzato, i ricercatori hanno raccolto immagini da molti pazienti. In particolare, hanno raccolto dati da oltre duemila pazienti, classificando le loro condizioni tiroidee in tre tipi principali: gozzo diffuso, gozzo multinodulare e tiroidite. Ogni condizione ha caratteristiche uniche che rendono essenziale differenziarle.

Le immagini sono state valutate sistematicamente e ognuna è stata accuratamente etichettata in base ai rapporti dei medici. Questo processo di etichettatura ha garantito che i dati fossero accurati e affidabili per l'addestramento del sistema automatizzato. Professionisti medici esperti hanno svolto un ruolo cruciale delineando le aree tiroidee per fornire un riferimento al modello automatizzato.

Addestramento del modello

La pipeline automatica è stata addestrata utilizzando una tecnica chiamata leave-one-center-out cross-validation. Questo metodo prevedeva di addestrare il modello su dati provenienti da tutti tranne uno dei centri medici e poi testarlo sui dati di quel centro. Questo approccio aiuta a capire quanto bene il modello si comporterebbe su nuovi dati non visti.

Il modello ResUNet è stato addestrato per segmentare l'area tiroidea dalle immagini. Dopo l'addestramento, la sua performance è stata valutata utilizzando una metrica chiamata coefficiente di similarità di Dice. Questa metrica misura quanto strettamente l'output del modello corrisponde alle outline manuali create dai medici. Punteggi elevati indicano che il modello ha segmentato accuratamente le aree tiroidee.

Estrazione delle caratteristiche e Classificazione

Una volta segmentate le aree tiroidee, il passo successivo consisteva nell'estrarre caratteristiche importanti da queste regioni. I ricercatori hanno utilizzato una libreria che segue linee guida specifiche per l'estrazione delle caratteristiche. Hanno analizzato varie caratteristiche delle immagini tiroidee che potrebbero essere utili per la classificazione.

Dopo aver estratto queste caratteristiche, la fase successiva ha riguardato la classificazione delle malattie tiroidee in base ai dati raccolti. Sono stati impiegati più modelli per valutare quanto efficacemente le caratteristiche potessero indicare il tipo di condizione tiroidea presente. Questa classificazione è stata effettuata sia per le immagini delineate dai medici che per quelle create dal modello ResUNet automatizzato.

Risultati della pipeline automatizzata

Il sistema automatizzato ha dimostrato prestazioni impressionanti nella classificazione delle malattie tiroidee. In scenari in cui le caratteristiche sono state estratte da aree definite dai medici, il modello ha raggiunto un'alta precisione. Ha prodotto metriche affidabili che hanno mostrato coerenza tra vari centri medici. Questo indica la capacità del sistema di valutare con precisione diverse immagini.

Nei casi in cui le segmentazioni del modello automatizzato sono state utilizzate per la classificazione, i risultati sono stati comunque promettenti. Sebbene le prestazioni fossero leggermente inferiori rispetto alle caratteristiche derivate dai medici, la pipeline automatizzata ha comunque fornito classificazioni valide. Questo suggerisce che, anche se c'è spazio per miglioramenti, il modello può servire come strumento utile per diagnosticare le condizioni tiroidee.

Vantaggi dell'automazione nella diagnosi delle malattie tiroidee

L'implementazione di sistemi automatizzati nell'analisi delle immagini tiroidee offre vantaggi significativi. Uno dei vantaggi più notevoli è la riduzione del tempo necessario per la diagnosi. Riducendo il lavoro manuale, i fornitori di assistenza sanitaria possono concentrarsi sul trattamento dei pazienti piuttosto che spendere ore ad analizzare immagini.

L'automazione può anche migliorare l'accuratezza diagnostica. Affidandosi a informazioni basate sui dati, specialmente da grandi dataset, le possibilità di errore umano diminuiscono. Questo è particolarmente utile per i medici meno esperti, poiché possono fare affidamento sugli output del sistema automatizzato per guidare le loro decisioni diagnostiche.

Inoltre, la pipeline automatizzata può promuovere coerenza nel modo in cui vengono diagnosticate le malattie tiroidee. Questo aiuterà a ridurre la variabilità nelle diagnosi tra diversi centri medici o medici individuali.

Direzioni future nell'analisi delle malattie tiroidee

Guardando avanti, i ricercatori mirano ad espandere le capacità della pipeline automatizzata. Pianificano di raccogliere dati più diversi e includere ulteriori tipi di informazioni che possono informare le diagnosi, come dati demografici e rapporti clinici. Integrare questi dati potrebbe aiutare a migliorare le prestazioni complessive della pipeline.

Un'altra area di interesse è l'adattamento del modello per incorporare varie tecniche di imaging insieme ai dati di scintigrafia. Mescolando più forme di dati, il sistema automatizzato potrebbe potenzialmente fornire una comprensione più completa della salute tiroidea di un paziente.

Inoltre, le ricerche future potrebbero concentrarsi su metodi che non si basano sulla segmentazione per la classificazione. Questo potrebbe semplificare il processo e migliorare ulteriormente l'efficienza.

Conclusione

I progressi nei sistemi automatizzati per l'analisi delle immagini tiroidee mostrano grandi promesse per migliorare la diagnosi e il trattamento delle malattie tiroidee. Sfruttando la tecnologia, i ricercatori hanno sviluppato una pipeline che può ridurre significativamente il tempo necessario per le valutazioni e migliorare l'accuratezza delle classificazioni.

Questi sviluppi potrebbero portare a una cura del paziente più efficace, poiché una diagnosi rapida e affidabile delle condizioni tiroidee diventa più accessibile. I risultati evidenziano il potenziale di utilizzare strumenti assistiti dall'intelligenza artificiale per aiutare i fornitori di assistenza sanitaria nei loro processi decisionali e migliorare la coerenza nelle valutazioni di routine.

Con la ricerca e lo sviluppo in corso, il futuro sembra promettente per i sistemi automatizzati nel campo della diagnosi delle malattie tiroidee, aprendo la strada a migliori risultati sanitari per i pazienti in tutto il mondo.

Fonte originale

Titolo: Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

Estratto: The objective of this study was to develop an automated pipeline that enhances thyroid disease classification using thyroid scintigraphy images, aiming to decrease assessment time and increase diagnostic accuracy. Anterior thyroid scintigraphy images from 2,643 patients were collected and categorized into diffuse goiter (DG), multinodal goiter (MNG), and thyroiditis (TH) based on clinical reports, and then segmented by an expert. A ResUNet model was trained to perform auto-segmentation. Radiomic features were extracted from both physician (scenario 1) and ResUNet segmentations (scenario 2), followed by omitting highly correlated features using Spearman's correlation, and feature selection using Recursive Feature Elimination (RFE) with XGBoost as the core. All models were trained under leave-one-center-out cross-validation (LOCOCV) scheme, where nine instances of algorithms were iteratively trained and validated on data from eight centers and tested on the ninth for both scenarios separately. Segmentation performance was assessed using the Dice similarity coefficient (DSC), while classification performance was assessed using metrics, such as precision, recall, F1-score, accuracy, area under the Receiver Operating Characteristic (ROC AUC), and area under the precision-recall curve (PRC AUC). ResUNet achieved DSC values of 0.84$\pm$0.03, 0.71$\pm$0.06, and 0.86$\pm$0.02 for MNG, TH, and DG, respectively. Classification in scenario 1 achieved an accuracy of 0.76$\pm$0.04 and a ROC AUC of 0.92$\pm$0.02 while in scenario 2, classification yielded an accuracy of 0.74$\pm$0.05 and a ROC AUC of 0.90$\pm$0.02. The automated pipeline demonstrated comparable performance to physician segmentations on several classification metrics across different classes, effectively reducing assessment time while maintaining high diagnostic accuracy. Code available at: https://github.com/ahxmeds/thyroidiomics.git.

Autori: Maziar Sabouri, Shadab Ahamed, Azin Asadzadeh, Atlas Haddadi Avval, Soroush Bagheri, Mohsen Arabi, Seyed Rasoul Zakavi, Emran Askari, Ali Rasouli, Atena Aghaee, Mohaddese Sehati, Fereshteh Yousefirizi, Carlos Uribe, Ghasem Hajianfar, Habib Zaidi, Arman Rahmim

Ultimo aggiornamento: 2024-07-22 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2407.10336

Fonte PDF: https://arxiv.org/pdf/2407.10336

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili