เมื่อพูดถึงการวินิจฉัยมะเร็งสมอง การตรวจชิ้นเนื้อมักเป็นช่องทางแรก ศัลยแพทย์เริ่มต้นด้วยการเอาเนื้อเยื่อบางๆ ออกจากเนื้องอกและตรวจดูภายใต้กล้องจุลทรรศน์ มองหาสัญญาณของโรคอย่างใกล้ชิด อย่างไรก็ตาม การตรวจชิ้นเนื้อไม่เพียงแค่มีการบุกรุกสูงเท่านั้น แต่ตัวอย่างที่ได้รับเป็นเพียงเศษเสี้ยวของตำแหน่งเนื้องอกทั้งหมดเท่านั้น MRI นำเสนอวิธีการที่ล่วงล้ำน้อยกว่า แต่นักรังสีวิทยาต้องระบุพื้นที่
เนื้องอก
จากการสแกนด้วยตนเองก่อนที่จะสามารถจำแนกประเภทได้ ซึ่งใช้เวลานาน เมื่อเร็ว ๆ นี้ นักวิทยาศาสตร์จากสหรัฐอเมริกาได้พัฒนาแบบจำลองที่สามารถจำแนกประเภทเนื้องอกในกะโหลกศีรษะได้หลายประเภทโดยไม่ต้องใช้มีดผ่าตัด แบบจำลองนี้เรียกว่าใช้การเรียนรู้เชิงลึก
ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องชนิดหนึ่งที่พบในซอฟต์แวร์การจดจำภาพ เพื่อจดจำเนื้องอกเหล่านี้ในภาพ MR โดยอิงตามลักษณะลำดับชั้น เช่น ตำแหน่งและสัณฐานวิทยา CNN ของทีมสามารถจำแนกมะเร็งสมองหลายชนิดได้อย่างแม่นยำโดยไม่ต้องมีการโต้ตอบด้วยตนเอง
“เครือข่ายนี้เป็นก้าวแรกสู่การพัฒนาเวิร์กโฟลว์รังสีวิทยาเสริมปัญญาประดิษฐ์ที่สามารถรองรับการแปลผลภาพด้วยการให้ข้อมูลเชิงปริมาณและสถิติ” ผู้เขียนคนแรกกล่าวทำนายชนิดของเนื้องอกสามารถตรวจพบเนื้องอกในกะโหลกศีรษะที่พบได้ทั่วไป 6 ชนิด ได้แก่ ระดับสูงและต่ำ เยื่อหุ้มสมองอักเสบ
ต่อมใต้สมอง เซลล์ประสาทอะคูสติก และการแพร่กระจายของสมอง การเขียนในรังสีวิทยา: ปัญญาประดิษฐ์ทีมงานซึ่งนำ กล่าวว่าเครือข่ายประสาทนี้เป็นเครือข่ายแรกที่สามารถระบุระดับของเนื้องอกได้โดยตรง รวมทั้งตรวจจับการไม่มีเนื้องอก จากปริมาตรเรโซแนนซ์แม่เหล็ก 3 มิติ
เพื่อยืนยันความถูกต้องของ CNN นักวิจัยได้สร้างชุดข้อมูลแบบหลายสถาบันสองชุดของการสแกน MRI ก่อนการผ่าตัดและหลังการผ่าตัดจากฐานข้อมูลสาธารณะ 4 ฐานข้อมูล ควบคู่ไปกับข้อมูลที่ได้รับจาก ชุดข้อมูลภายในชุดแรกมีการสแกน 1,757 ครั้งในเจ็ดคลาสการถ่ายภาพ: คลาสเนื้องอกหกคลาส
และคลาสสุขภาพ
หนึ่งคลาส จากการสแกนเหล่านี้ 1,396 รายการเป็นข้อมูลการฝึกอบรม ซึ่งทีมงานใช้เพื่อสอน CNN ถึงวิธีการแยกแยะระหว่างแต่ละชั้นเรียน ส่วนที่เหลืออีก 361 ตัวถูกนำไปใช้เพื่อทดสอบประสิทธิภาพของโมเดล (ข้อมูลการทดสอบภายใน) ระบุชนิดของเนื้องอกได้อย่างถูกต้องด้วยความแม่นยำ 93.35%
ตามที่ได้รับการยืนยันจากรายงานรังสีวิทยาที่เกี่ยวข้องกับการสแกนแต่ละครั้ง ยิ่งไปกว่านั้น ความน่าจะเป็นที่ผู้ป่วยจะเป็นมะเร็งเฉพาะที่ CNN ตรวจพบ (แทนที่จะมีสุขภาพดีหรือมีเนื้องอกชนิดอื่น) อยู่ที่ 85–100%มีการตรวจพบการลบที่ผิดพลาดเพียงเล็กน้อยในคลาสการถ่ายภาพทั้งหมด
ความน่าจะเป็นที่ผู้ป่วยที่ทดสอบเป็นลบสำหรับกลุ่มที่กำหนดไม่เป็นโรคนั้น (หรือไม่แข็งแรง) คือ 98–100%จากนั้น นักวิจัยได้ทดสอบแบบจำลองของตนกับชุดข้อมูลภายนอกชุดที่สองที่มีเฉพาะ เกรดสูงและเกรดต่ำ การสแกนเหล่านี้มาจากแหล่งที่แยกจากกันในชุดข้อมูลภายใน
“เนื่องจากโมเดลการเรียนรู้เชิงลึกมีความอ่อนไหวต่อข้อมูลมาก จึงกลายเป็นมาตรฐานในการตรวจสอบประสิทธิภาพบนชุดข้อมูลอิสระซึ่งได้รับจากแหล่งที่แตกต่างกันโดยสิ้นเชิง เพื่อดูว่าโมเดลเหล่านี้สรุป [ตอบสนองต่อข้อมูลที่มองไม่เห็น] ได้ดีเพียงใด” อธิบาย แสดงให้เห็นถึงความสามารถในการสรุปทั่วไป
ที่ดี โดยให้คะแนนความแม่นยำ 91.95% จากข้อมูลการทดสอบภายนอก ผลการวิจัยชี้ให้เห็นว่าแบบจำลองสามารถช่วยแพทย์ในการวินิจฉัยผู้ป่วยที่มีเนื้องอก 6 ชนิดที่ศึกษาได้ อย่างไรก็ตาม นักวิจัยสังเกตเห็นข้อจำกัดหลายประการในแบบจำลองของพวกเขา รวมถึงการจำแนกประเภทของเนื้องอก
และเกรดที่ไม่ถูกต้อง เนื่องจากความเปรียบต่างของภาพที่ไม่ดี ข้อบกพร่องเหล่านี้อาจเกิดจากความไม่สอดคล้องกันในโปรโตคอลการถ่ายภาพที่ใช้ในสถาบันทั้งห้าแห่ง เมื่อมองไปในอนาคต ทีมงานหวังว่าจะฝึกฝน CNN ต่อไปโดยผสมผสานประเภทของเนื้องอกและรูปแบบการถ่ายภาพเพิ่มเติม
การเพิ่มประสิทธิภาพเพื่อค้นหาโมเดลการคาดการณ์ที่ดีที่สุด แต่แมชชีนเลิร์นนิงมักจะเกี่ยวข้องกับปัญหาการเพิ่มประสิทธิภาพประเภทที่ยากมากๆ ซึ่งแม้แต่นักคณิตศาสตร์ที่ชอบผจญภัยก็หลีกเลี่ยงไม่ได้ ตัวอย่างเช่น ลองนึกถึงภูมิทัศน์ที่ปรับให้เหมาะสม เช่น เทือกเขาหิมาลัย ซึ่งคุณต้องการค้นหาหุบเขา
ที่ลึกที่สุด
ด้วยการเดินเท้าและไม่มีแผนที่ (รูปที่ 2) “ศิลปะสีดำ” ที่แท้จริงนั้นอยู่ในรายละเอียดปลีกย่อยของการกำหนดปัญหาการปรับให้เหมาะสม ในกรณีที่เหมาะสมของข้อมูลในรูปที่ 1 ตัวอย่างเช่น หากเรากำหนดให้แบบจำลองที่ดีที่สุดเป็นแบบจำลองที่การคาดคะเนf(x)ใกล้เคียงกับค่าจริงy มากที่สุด
สำหรับจุดข้อมูลทั้งหมด ฟังก์ชันโมเดลที่ยืดหยุ่นกว่า (สีน้ำเงิน) จะชนะ เนื่องจากฟังก์ชันโมเดลต้องผ่านจุดข้อมูลทั้งหมด แต่เมื่อเราแนะนำจุดข้อมูลใหม่ เป็นที่ชัดเจนว่า “ขนาดที่พอดีกว่า” (สีแดง) ให้การคาดการณ์ที่ดีกว่ามาก สำหรับนักปีนเขาของเรา การเพิ่มประสิทธิภาพภูมิทัศน์ที่สอดคล้องกับแบบจำลอง
ที่ยืดหยุ่นกว่านั้นไม่เป็นประโยชน์มากนัก เพราะแม้ว่าพวกเขาจะพบหุบเขาที่ลึกที่สุด แต่ก็ไม่จำเป็นต้องนำไปสู่แบบจำลองที่ดีเสมอไป แนวการเพิ่มประสิทธิภาพที่เป็นประโยชน์นำไปสู่แบบจำลองที่เหมาะสมที่สุดซึ่งสรุปจากรูปแบบพื้นฐานไปจนถึงข้อมูลที่มองไม่เห็น แม้ว่าพวกเขาจะไม่สามารถคาดการณ์
ข้อมูลที่มองเห็นได้อย่างสมบูรณ์แบบก็ตาม การกำหนดปัญหาในการเพิ่มประสิทธิภาพอย่างมีประสิทธิภาพต้องใช้สัญชาตญาณและประสบการณ์จริงจำนวนมาก ซึ่งเป็นกุญแจสำคัญในการควบคุมพลังของการเรียนรู้ของเครื่อง ตัวเลขเพื่อหาค่าที่เหมาะสมที่สุดของฟังก์ชันที่ขึ้นกับพารามิเตอร์f(x)(รูปที่ 1). ในทางคณิตศาสตร์ นี่เป็นปัญหาการปรับให้เหมาะสม
Credit : ฝากถอนไม่มีขั้นต่ำ / สล็อตแตกง่าย
