Τμήμα Ιατρικής
Βιβλιοθήκη Επιστημών Υγείας

2021-06-29

2021

Φραγκόπουλος Χρήστος

Ευάγγελος Μισιακός, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ, Επιβλέπων
Εμμανουήλ Α. Πικουλής, Καθηγητής, Ιατρική Σχολή,ΕΚΠΑ
Ιωάννης Παναγιωτίδης, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Πατάπης Παύλος, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Νάστος Κωνσταντίνος, Επίκουρος Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Δελίδης Αλέξανδρος, Επίκουρος Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Φούκας Περικλής, Αναπληρωτής Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ

Ο ρόλος διαδικτυακών έμπειρων συστημάτων στην υποβοήθηση της κυτταρολογικής διάγνωσης υλικού FNA ψυχρών όζων του θυρεοειδούς αδένα.

Ελληνικά

Ο ρόλος διαδικτυακών έμπειρων συστημάτων στην υποβοήθηση της κυτταρολογικής διάγνωσης υλικού FNA ψυχρών όζων του θυρεοειδούς αδένα.

Εισαγωγή
Σκοπός
Αυτή η μελέτη διερευνά τις δυνατότητες μιας μεθοδολογίας τεχνητής νοημοσύνης (AI), της Ακτινικής Λειτουργίας Βάσης (RBF) Τεχνητό Νευρικό Δίκτυο (ANN) στην αξιολόγηση των αλλοιώσεων του θυρεοειδούς αδένα.
Υλικά – Μέθοδοι
Η μελέτη διεξήχθη σε 447 ασθενείς που είχαν σύμφωνη κυτταρολογική και ιστολογική διάγνωση . Τα κυτταρολογικά δείγματα μονιμοποιήθηκαν σε υγρή φάση. Κάθε δείγμα ψηφιοποιήθηκε σε εικόνες και τα χαρακτηριστικά πυρηνικής μορφολογίας μετρήθηκαν με τη χρήση ενός συστήματος ανάλυσης εικόνας. Τα αποτελέσματα των μετρήσεων (41.324 πυρήνες) χωρίστηκαν σε δύο ομάδες: την ομάδα εκπαίδευσης που χρησιμοποιήθηκε για τη δημιουργία του RBF ANN και την ομάδα δοκιμής που χρησιμοποιήθηκε για την αξιολόγηση της απόδοσης του RBF. Το σύστημα είχε ως στόχο να προβλέψει την ιστολογική διάγνωση ως καλοήθη ή κακοήθη.
Αποτελέσματα:
Το RBF ANN στην ομάδα εκπαίδευσής έδειξε : ευαισθησία 82,5%, ειδικότητα 94,6% και συνολική ακρίβεια 90,3%, ενώ στην ομάδα δοκιμής αυτοί οι δείκτες ήταν 81,4%, 90,0% και 86,9% αντίστοιχα. Ένας αλγόριθμος χρησιμοποιήθηκε για την ταξινόμηση των ασθενών με βάση το RBF ANN, η ολική ευαισθησία ήταν 95,0% και η ειδικότητα 95,5% όπου και δεν παρατηρήθηκε σημαντική διαφορά.
Συμπέρασμα:
Οι μέθοδοι τεχνητής νοημοσύνης και ειδικά το ANN, μόνο τα τελευταία χρόνια έχουν μελετηθεί εκτενώς. Η προτεινόμενη προσέγγιση είναι πολλά υποσχόμενη, για την αποφυγή εσφαλμένων διαγνώσεων και την υποστήριξη της καθημερινής πρακτικής του κυτταρολόγου . Το κύριο μειονέκτημα αυτής της προσέγγισης είναι η αυτοματοποίηση μιας διαδικασίας για τον ακριβή εντοπισμό και μέτρηση των πυρήνων των κυττάρων από τις ψηφιοποιημένες εικόνες.

Επιστήμες Υγείας

Κυτταροπαθολογία θυρεοειδούς, Κυτταρολογία υγρής φάσης, Τεχνητά νευρωνικά δίκτυα, Λειτουργία ακτινικής βάσης, Μηχανική εκμάθηση, Kυτταρομορφολογία

Όχι

0

Ναι

93

170

Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.

https://pergamos.lib.uoa.gr/uoa/dl/object/2947705