เทคนิคการทำเหมืองข้อมูลที่ได้รับการปรับปรุงจะรวมข้อมูลจากรูปแบบการถ่ายภาพที่หลากหลายและพารามิเตอร์ทางคลินิกอื่นๆ เพื่อทำนายความเสี่ยงของการแพร่กระจายของมะเร็ง ในแนวทางใหม่นี้ ข้อมูลการถ่ายภาพจากผู้ป่วยมะเร็งจะถูกป้อนเข้าสู่โครงข่ายประสาทเทียมลึก ซึ่งเอาต์พุตจะถูกประมวลผลด้วยอัลกอริธึมการจำแนกประเภทที่แตกต่างกันสามแบบ
วิธีใหม่ในการหลอมรวมผลลัพธ์จากตัวแยก
ประเภททั้งสาม จากนั้นให้ผลการคาดการณ์ว่ามะเร็งจะแพร่กระจายออกไปหรือไม่ภายในเวลาที่มีการปรึกษาหารือติดตามผลหลายเดือนหรือหลายปีต่อมา นักวิจัยในสหรัฐฯ ที่พัฒนาวิธีการนี้แสดงให้เห็นถึงประสิทธิภาพโดยใช้ภาพการวินิจฉัยและการวางแผนการรักษาที่ได้รับสำหรับผู้ป่วยมะเร็งศีรษะและคอ 188 ราย
เช่นเดียวกับมะเร็งอื่นๆ ในร่างกาย มะเร็งศีรษะและลำคอระยะเริ่มต้นจะได้รับการรักษาโดยใช้รังสีรักษา ซึ่งประสบความสำเร็จเพิ่มขึ้น เมื่อการรักษาล้มเหลว มักจะขึ้นอยู่กับการเติบโตของเนื้องอกใหม่ที่อยู่ห่างไกลจากตำแหน่งของโรคเริ่มต้น การคาดคะเนว่าผู้ป่วยรายใดมีแนวโน้มที่จะพัฒนาการแพร่กระจายระยะไกล (DM) มากที่สุดเป็นสิ่งสำคัญ เพื่อให้ผู้ป่วยที่มีความเสี่ยงต่ำสามารถรอดพ้นจากผลข้างเคียงที่รุนแรงที่มาพร้อมกับการรักษาอย่างเป็นระบบที่ใช้ในการควบคุมการแพร่กระจายของมะเร็ง
วิธีหนึ่งในการจัดประเภทผู้ป่วยด้วยวิธีนี้คือการแยกตัวบ่งชี้ความเสี่ยง DM ออกจากชุดข้อมูลการถ่ายภาพขนาดใหญ่ ซึ่งเป็นแนวทางที่เรียกว่า “รังสีเอกซ์” แต่ในขณะที่เทคนิคนี้แสดงให้เห็นว่าใช้ประโยชน์จากคุณลักษณะเชิงปริมาณที่พบในชุดข้อมูลแบบกิริยาเดียว (ดูรังสีเอกซ์ที่ใช้ CT เผยให้เห็นความเสี่ยงของมะเร็งต่อมลูกหมาก ) ชุดข้อมูลหลายรูปแบบยังไม่ได้ถูกนำมาใช้ให้เกิดประโยชน์สูงสุด เนื่องจาก วิธีง่ายๆ ที่รวมเอาคุณสมบัติที่แตกต่างจากรูปภาพแต่ละประเภทเข้าด้วยกัน
ซึ่งทำให้การใช้ชุดข้อมูลที่ประกอบด้วยโพซิตรอน
มีประสิทธิภาพมากขึ้น เอกซเรย์ปล่อย (PET) และภาพเอ็กซ์เรย์ CT ทีมงานได้รวบรวมภาพ PET และ CT ของผู้ป่วยมะเร็งศีรษะและคอ 188 รายที่ได้รับการปรึกษาหารือติดตามผลระหว่าง 6 ถึง 112 เดือนหลังการสแกน ภาพถ่ายที่ได้มาจากสถาบันต่างๆ ได้รับการศึกษาโดยแพทย์แล้ว และได้สกัดคุณลักษณะ 257 รายการ เช่น ลักษณะเนื้อสัมผัสและเรขาคณิต สำหรับผู้ป่วยแต่ละราย ในชุดข้อมูลยังมีพารามิเตอร์ทางคลินิกอื่นๆ เช่น อายุและเพศของผู้ป่วย และขอบเขตที่โรคได้เกิดขึ้นแล้วในขณะที่ทำการถ่ายภาพ
โจวและเพื่อนร่วมงานได้ป้อนชุดย่อยของจุดข้อมูลเหล่านี้ลงในโครงข่ายประสาทเทียมเชิงลึก ซึ่งหลอมรวมเป็นชุดคุณลักษณะชุดเดียว จากนั้นพวกเขาจึงใช้ชุดคุณลักษณะที่รวมกันนี้เพื่อฝึกแบบจำลองการคาดการณ์ที่สามารถปรับให้เหมาะสมทั้งความไว (ความน่าจะเป็นของการทำนายเชิงบวกที่แท้จริงของ DM) และความจำเพาะ (ความน่าจะเป็นของการทำนายที่ผิดพลาดของ DM) พร้อมกันโดยขึ้นอยู่กับทางคลินิก ความต้องการ. โดยปกติ ผลลัพธ์ของโมเดลนี้จะถูกจัดเรียงตามอัลกอริธึมการจำแนกประเภทเดียวเพื่อทำนายผลลัพธ์: DM หรือไม่มี DM นักวิจัยตั้งข้อสังเกตว่าการรวมอัลกอริธึมการจำแนกประเภทที่แตกต่างกันสามแบบจะช่วยเพิ่มความน่าเชื่อถือของวิธีการของพวกเขา
นักวิจัยพบว่า M-radiomics ของพวกเขาทำการทดสอบกับชุดย่อยของข้อมูลผู้ป่วยที่แยกจากกันใช้เทคนิคที่มีประสิทธิภาพสูงกว่ารุ่นที่ไม่มีโครงข่ายประสาทลึก การเพิ่มประสิทธิภาพความไว-ความจำเพาะ หรือขั้นตอนการรวมตัวแยกประเภท พวกเขาคิดว่าวิธีการนี้สามารถปรับปรุงได้อีกโดยการรวมคุณลักษณะของภาพที่อยู่นอกขอบเขตเนื้องอกที่แพทย์กำหนด และโดยการพัฒนาขั้นตอนการแยกคุณลักษณะที่ได้มาตรฐานและอัตโนมัติเพื่อลดความแปรปรวนระหว่างภาพที่ถ่ายจากสถาบันต่างๆ
Zhou และเพื่อนร่วมงานวางแผนที่จะตรวจสอบ
วิธีการของพวกเขาด้วยการศึกษาในอนาคตแบบหลายสถาบัน ตรงกันข้ามกับชุดข้อมูลย้อนหลังที่พวกเขาใช้ในการสาธิต ซึ่งควรแสดงให้เห็นถึงคุณค่าของวิธีการนี้ในการช่วยตัดสินใจทางคลินิกในมะเร็งศีรษะและคอที่มีความเสี่ยงสูงเช่นเดียวกัน ผู้ป่วย.
Jing Wang ผู้เขียนร่วมของ Zhou จาก UT Southwestern Medical Center กล่าวว่า “เมื่อได้รับการตรวจสอบแล้ว เราหวังว่าการนำแบบจำลองไปใช้ทางคลินิกจะสามารถทำได้ภายในสองถึงสามปี เนื่องจาก M-radiomics เป็นโครงร่างทั่วไป แนวทางนี้สามารถขยายออกไปเพื่อทำนายผลการรักษาสำหรับมะเร็งระยะปฐมภูมิในบริเวณอื่นๆ ทางกายวิภาค
ผู้ดำเนินการดาวเทียมอาจทำอันตรายมากกว่าผลดีโดยการปิดระบบของพวกเขาเมื่อใดก็ตามที่มีการขับมวลโคโรนาล (CME) จากดวงอาทิตย์ที่คาดว่าจะมาถึงโลกนักวิจัยของสหราชอาณาจักรได้แนะนำ Mathew Owens , Mike LockwoodและLuke Barnardจาก University of Reading แสดงให้เห็นว่าความเร็วและความเข้มสนามแม่เหล็กของการระเบิดอาจมีความสำคัญพอๆ กับเวลาที่มาถึงเมื่อตัดสินใจว่าจะปิดระบบดาวเทียมเมื่อใด หากนำมาประยุกต์ใช้ ความคิดของพวกเขาสามารถปรับปรุงประสิทธิภาพการทำงานของดาวเทียมจำนวนมากได้อย่างมีนัยสำคัญ
CME มีต้นกำเนิดมาจากพื้นผิวไดนามิกของดวงอาทิตย์ ซึ่งเป็นพลาสมาที่มีพลังงานสูงซึ่งเคลื่อนที่ผ่านอวกาศระหว่างดาวเคราะห์ พร้อมด้วยสนามแม่เหล็กแรงสูง เมื่อพวกมันมีปฏิสัมพันธ์กับชั้นบรรยากาศของโลก พวกมันสามารถกระตุ้นพายุสุริยะซึ่งสร้างความเสียหายอย่างร้ายแรงต่อระบบดาวเทียมหากพวกมันกำลังทำงานอยู่ในขณะนั้น เพื่อทำนายการหยุดชะงักเหล่านี้ นักดาราศาสตร์จะวัดความเร็วที่ CMEs เดินทางผ่านอวกาศเพื่อคาดการณ์อย่างแม่นยำว่าพวกเขาจะมาถึงโลกเมื่อใด
ในปัจจุบัน ผู้ให้บริการดาวเทียมหลายรายใช้แนวทาง “ปลอดภัยดีกว่าเสียใจ” เมื่อตอบสนองต่อการคาดการณ์เหล่านี้ เมื่อใดก็ตามที่มีการคาดการณ์ว่า CME จะมาถึง พวกเขาจะปิดระบบโดยสมบูรณ์เพื่อหลีกเลี่ยงความเสียหายใดๆ อย่างไรก็ตาม ทั้งสามคนของ Reading ให้เหตุผลว่าระบบการเตือนล่วงหน้าในปัจจุบันเหล่านี้ไม่ได้คำนึงถึงข้อเท็จจริงที่เรียบง่ายแต่มีความสำคัญ: ในขณะที่พายุสุริยะทั้งหมดถูกกระตุ้นโดย CME ไม่ใช่ CME ทั้งหมดที่ทำให้เกิดเหตุการณ์ที่สร้างความเสียหาย
สัญญาณเตือนที่ผิดพลาดมากมายนักวิจัยเชื่อว่าการกำกับดูแลนี้ทำให้เกิดสัญญาณเตือนที่ผิดพลาดจำนวนมาก ทำให้ดาวเทียมต้องปิดตัวลงเมื่อสามารถทำงานได้อย่างปลอดภัย นอกจากนี้ ค่าใช้จ่ายในการปิดระบบโดยไม่จำเป็นอาจมากกว่าค่าใช้จ่ายที่เกี่ยวข้องกับความเสียหายจากพายุสุริยะ เพื่อปรับปรุงการตอบสนองต่อ CME ทีมงานแนะนำว่าควบคู่ไปกับเวลาที่มาถึง การคาดการณ์ของ CME ในการรวมข้อมูลเกี่ยวกับความเร็วและความเข้มของสนามแม่เหล็กที่เกี่ยวข้องเป็นสิ่งสำคัญพอๆ กัน ซึ่งเป็นตัวบ่งชี้ที่สำคัญของความรุนแรงของพายุสุริยะ
จะเกิดอะไรขึ้นถ้าเกิดพายุสุริยะครั้งใหญ่? Owens และเพื่อนร่วมงานได้ทดสอบหลักการนี้ผ่านการวิเคราะห์ข้อมูลลมสุริยะอย่างง่าย ซึ่งพวกเขาคำนวณค่าใช้จ่ายในการปิดระบบดาวเทียมก็ต่อเมื่อการวัดความเร็ว CME และสนามแม่เหล็กระบุว่าสภาพอากาศที่เป็นอันตรายกำลังจะเกิดขึ้น เมื่อเทียบกับการปิดระบบบ่อยครั้งซึ่งพิจารณาเฉพาะเวลาที่มาถึง CME พวกเขาพบว่าค่าใช้จ่ายที่เกิดขึ้นลดลงอย่างมาก
Credit : csopartnersforchange.org developerhc.com drugfreeasperger.com edgenericviagra.com embracingeveryday.net