Аискусственный интеллект вездесущ. В будущем на запросы будут отвечать персональные цифровые помощники, торговые запасы будут контролировать роботы-консультанты, а беспилотные автомобили будут доставлять людей к месту назначения. ИИ проник в жизнь людей, и его использование также процветает в биомедицинских исследованиях, где возможное применение ИИ огромно.

ИИ отлично справляется с распознаванием закономерностей, сортировкой большого объема данных, выявлением взаимосвязей между сложными атрибутами и определением аспектов данных, которые не могут быть поняты человеческим мозгом. Его успех и применение уже можно наблюдать в радиологии, где клиницистыИспользуйте компьютеры для быстрой обработки изображений, что позволит радиологам сконцентрировать свое время на тех областях, где технические знания имеют решающее значение.

Ожидается, что огромный потенциал ИИ приведет к быстрому росту рынка. Мировой рынок искусственного интеллекта в диагностике рака в 2021 году оценивался в 367,53 млн долларов США. прогнозируется, что к 2030 году он достигнет 4 841,84 млн долларов США. растущий на среднегодовой темп роста 34,3% в течение прогнозируемого периода, по данным Polaris Market Research.

Типы данных, используемые для ИИ в диагностике рака

Электронные медицинские карты : Бесчисленные медицинские процедуры данных подходят для анализа с помощью ИИ. Некоторое время назад была создана глобальная система электронных медицинских карт, позволяющая сохранять и умело собирать большие объемы клинических данных. Несколько цифровых альянсов работают над расширением исследований в области преждевременной диагностики с использованием электронных медицинских карт.

Дополнительные цифровые базы данных записывают ход реакции и данные о пути. Например, цифровая база данных времени ожидания рака стремится улучшить контрольные пути рака с помощью показателей производительности, передаваемых пользователями.

Радиология : Переход от рентгенографической пленки к цифровому сканированию в системах архивов и связи пациентов (PACS) создал ключевые преимущества для исследований изображений. Радиомика относится к количественным методам анализа радиологических изображений. Это включает в себя КТ, ядерную медицину, МРТ и ультразвуковое сканирование.

Радиомика делится на традиционные подходы ML и DL. Для традиционного машинного обучения структурные атрибуты извлекаются из выделенных областей интереса (ROI) и оцениваются на предмет сходства в размере и форме, неоднородности и показаниях интенсивности. Эти атрибуты используются для указания моделей на категоризацию. В среде преждевременной диагностики рака это включает в себя классификацию неопределенных узлов или кист как доброкачественных или злокачественных.

В нескольких исследованиях использовался радионический подход для разделения узлов именно таким образом и инициировались точные радионические проспективные функции рака, охватывающие несколько групп опухолей, таких как рак легких, колоректальный рак, рак шеи и головы.

Принятие решений улучшается благодаря прогностическим моделям

Прогностические модели стали важным компонентом в терапии рака. Индивидуальная вероятность развития определенных видов рака может быть определена с помощью прогностических моделей путем распознавания факторов риска. Затем медицинский персонал может мотивировать пациентов сосредоточиться на стратегиях профилактической помощи.

Следовательно, глубокое обучение может различать маммограммы женщин, у которых впоследствии разовьется рак молочной железы, и тех, у кого его не будет. Помимо маммографии, помогающей идентифицировать рак, эта технология может прогнозировать риск рака молочной железы путем расчета плотности груди. В то время как более плотная грудь требует повышенного риска рака, альтернативные аспекты, скрытые на маммограммах, могут увеличить риск.

Расширение использования машинного обучения для обнаружения рака

Машинное обучение охватывает широкий спектр задач и методов. Упражнения по обучению под наблюдением имеют знакомый доступный результат для прогнозирования, например появление опухоли, продолжительность непрерывности или реакцию на лечение. Неконтролируемое обучение распознает шаблоны и подгруппы в данных без понятных последствий для прогнозирования. Он часто используется для более тщательного анализа.

Под контролируемым обучением подразумеваются линейные модели. Они связывают нетрадиционные переменные с интересующим результатом с помощью линейного уравнения. Линейная регрессия предполагает, что результат линейно соответствует значениям признаков и что между признаками существует аддитивная связь. Линейные методы были устойчивым популярным вариантом моделирования из-за их подотчетной и простой методологии. Такие модели составляют основу нескольких общих показателей и прогностических моделей, используемых в здравоохранении.

Тем не менее, результаты часто внутренне нелинейны по своим характеристикам. Например, влияние размера опухоли на вероятность рецидива рака может различаться для разных возрастных групп. Линейная модель не учитывает такие обмены между переменными. Переменные взаимодействия могут быть структурированы так, чтобы отражать нелинейность. Например, человек может создать приобретенный признак, объединяющий возраст и размер опухоли, чтобы смоделировать общий эффект.

Последние разработки в области ИИ для диагностики рака

• В августе 2022 года Whiterabbit.ai подписала соглашение с Arterys о расширении технологии, созданной ИИ, для обнаружения рака на ранних стадиях.
• В июле 2022 года Roche и EarlySign подписали альянс для продвижения своей технологии LungFlag и управления ею. Основной целью их альянса является обнаружение преждевременного диагноза рака легких, доступного для населения.

Что дальше

Стремительный рост вычислительных мощностей, растущая доступность машиночитаемых электронных медицинских карт, мультиомики и данных медицинских изображений, а также развитие глубокого обучения, особенно сверточных нейронных сетей, изменили продвижение и использование алгоритмов искусственного интеллекта и CDSS в онкологических заболеваниях. анализ изображений, геномика и клиническая практика в непрерывности рака.

Ожидается, что продолжающиеся исследования, направленные на усиление применения ИИ к геномике рака, будут способствовать раннему выявлению множественного рака и установлению локализации опухолей. Это может преобразовать скрининг рака, особенно в отношении менее частых и редких видов рака, и может изменить планы мониторинга выживших после рака.

Дальнейшие достижения в области машинного обучения, зависящего от изображений, могут привести к развитию моделей, которые оценивают риски для нескольких видов рака, разрабатывают диагностическую точность рака или прогнозируют исходы смерти. Это может позволить персонализированный скрининг, терапевтические процедуры и мониторинг выживших. Кроме того, он может усилить виртуальную биопсию для классификации геномных и патологических характеристик, связанных с диагностикой рака.

Где узнать больше

Чтобы получить более подробную информацию об этом быстрорастущем рынке, ознакомьтесь с подробным 112-страничным отчетом Polaris Market Research под названием Искусственный интеллект на рынке диагностики рака, размер, тенденции, анализ отрасли, 2022-2030 гг. .

Об исследовании рынка Polaris

Polaris Market Research — это организация, занимающаяся исследованиями рынка и консультационная, предоставляющая клиентам по всему миру и в различных отраслях промышленности глубокое понимание рынка. Сотни отчетов этой фирмы доступны для покупки на MarketResearch.com.