Orgasme yang Segera Terjadi Pada Wanita Berhubungan Dengan Kaki Gelisah - ScienceDaily

Mengidentifikasi ‘itik jelek’ untuk terkena kanker kulit lebih dini – ScienceDaily


Melanoma sejauh ini merupakan bentuk kanker kulit paling mematikan, menewaskan lebih dari 7.000 orang di Amerika Serikat pada tahun 2019 saja. Deteksi dini penyakit ini secara dramatis mengurangi risiko kematian dan biaya pengobatan, tetapi skrining melanoma secara luas saat ini tidak memungkinkan. Ada sekitar 12.000 dokter kulit yang berpraktik di AS, dan mereka masing-masing perlu menemui 27.416 pasien per tahun untuk memeriksa seluruh populasi terhadap lesi berpigmen yang mencurigakan (SPL) yang dapat mengindikasikan kanker.

Sistem Computer-aided diagnosis (CAD) telah dikembangkan dalam beberapa tahun terakhir untuk mencoba memecahkan masalah ini dengan menganalisis gambar lesi kulit dan secara otomatis mengidentifikasi SPL, tetapi sejauh ini gagal mempengaruhi diagnosis melanoma. Algoritme CAD ini dilatih untuk mengevaluasi setiap lesi kulit secara individual untuk mengetahui fitur yang mencurigakan, tetapi ahli kulit membandingkan beberapa lesi dari pasien individu untuk menentukan apakah lesi tersebut bersifat kanker – metode yang biasa disebut kriteria “itik jelek”. Tidak ada sistem CAD di bidang dermatologi, hingga saat ini, yang telah dirancang untuk meniru proses diagnosis ini.

Sekarang, pengawasan itu telah diperbaiki berkat sistem CAD baru untuk lesi kulit berdasarkan jaringan saraf dalam konvolusional (CDNN) yang dikembangkan oleh para peneliti di Wyss Institute for Biologically Inspired Engineering di Harvard University dan Massachusetts Institute of Technology (MIT). Sistem baru berhasil membedakan SPL dari lesi yang tidak mencurigakan pada foto kulit pasien dengan akurasi ~ 90%, dan untuk pertama kalinya menetapkan metrik “itik jelek” yang mampu menyamai konsensus dari 88% ahli kulit selama 88%.

“Kami pada dasarnya menyediakan proksi matematika yang terdefinisi dengan baik untuk intuisi mendalam yang diandalkan oleh dokter kulit saat menentukan apakah lesi kulit cukup mencurigakan untuk memerlukan pemeriksaan lebih dekat,” kata penulis pertama studi tersebut Luis Soenksen, Ph.D., seorang Postdoctoral Fellow di the Wyss Institute yang juga merupakan Venture Builder di MIT. “Inovasi ini memungkinkan foto kulit pasien dianalisis dengan cepat untuk mengidentifikasi lesi yang harus dievaluasi oleh dokter kulit, memungkinkan skrining yang efektif untuk melanoma pada tingkat populasi.”

Teknologi tersebut dijelaskan dalam Ilmu Kedokteran Terjemahan, dan kode sumber CDNN tersedia secara terbuka di GitHub (https://github.com/lrsoenksen/SPL_UD_DL).

Membawa bebek jelek ke dalam fokus

Melanoma bersifat pribadi bagi Soenksen, yang telah menyaksikan beberapa teman dekat dan anggota keluarga menderita penyakit tersebut. “Saya heran bahwa orang bisa meninggal karena melanoma hanya karena dokter dan pasien perawatan primer saat ini tidak memiliki alat untuk menemukan yang” aneh “secara efisien. Saya memutuskan untuk mengatasi masalah itu dengan memanfaatkan banyak teknik yang saya pelajari dari bekerja dalam kecerdasan buatan di Wyss dan MIT, “katanya.

Soenksen dan kolaboratornya menemukan bahwa semua sistem CAD yang ada yang dibuat untuk mengidentifikasi SPL hanya menganalisis lesi secara individual, benar-benar menghilangkan kriteria jelek yang digunakan dokter kulit untuk membandingkan beberapa tahi lalat pasien selama pemeriksaan. Jadi mereka memutuskan untuk membangunnya sendiri.

Untuk memastikan bahwa sistem mereka dapat digunakan oleh orang-orang yang tidak memiliki pelatihan dermatologi khusus, tim membuat database lebih dari 33.000 gambar “bidang luas” dari kulit pasien yang mencakup latar belakang dan objek non-kulit lainnya, sehingga CDNN dapat untuk menggunakan foto yang diambil dari kamera kelas konsumen untuk diagnosis. Gambar tersebut berisi SPL dan lesi kulit yang tidak mencurigakan yang diberi label dan dikonfirmasi oleh konsensus dari tiga ahli kulit bersertifikat. Setelah pelatihan pada database dan perbaikan dan pengujian selanjutnya, sistem dapat membedakan antara lesi yang mencurigakan dan tidak mencurigakan dengan sensitivitas 90,3% dan spesifisitas 89,9%, meningkatkan sistem yang diterbitkan sebelumnya.

Tetapi sistem dasar ini masih menganalisis fitur lesi individu, daripada fitur di beberapa lesi seperti yang dilakukan oleh ahli kulit. Untuk menambahkan kriteria itik jelek ke dalam model mereka, tim menggunakan fitur yang diekstraksi pada tahap sekunder untuk membuat “peta” 3D dari semua lesi pada gambar tertentu, dan menghitung seberapa jauh dari fitur “khas” setiap lesi. . Semakin “aneh” suatu lesi dibandingkan dengan lesi lain dalam sebuah gambar, semakin jauh lesi tersebut dari pusat ruang 3D. Jarak ini adalah definisi terukur pertama dari kriteria anak itik jelek, dan berfungsi sebagai pintu gerbang untuk memanfaatkan jaringan pembelajaran mendalam untuk mengatasi tugas yang menantang dan memakan waktu untuk mengidentifikasi dan meneliti perbedaan antara semua lesi berpigmen pada satu pasien.

Pembelajaran mendalam vs. ahli kulit

DCNN mereka masih harus melewati satu tes terakhir: ahli dermatologi yang melakukan dan hidup serta bernapas dalam tugas mengidentifikasi SPL dari gambar kulit pasien. Tiga dokter kulit memeriksa 135 foto lapangan lebar dari 68 pasien, dan memberikan skor “keanehan” untuk setiap lesi yang menunjukkan betapa mengkhawatirkannya. Gambar yang sama dianalisis dan dinilai dengan algoritma. Ketika penilaian dibandingkan, para peneliti menemukan bahwa algoritme sesuai dengan konsensus dermatologists 88% dari waktu, dan dengan 86% dari waktu ahli dermatologi individu.

“Tingkat konsensus yang tinggi antara kecerdasan buatan dan dokter manusia ini merupakan kemajuan penting dalam bidang ini, karena kesepakatan ahli kulit satu sama lain biasanya sangat tinggi, sekitar 90%,” kata penulis bersama Jim Collins, Ph.D., seorang Anggota Fakultas Inti dari Wyss Institute dan salah satu pemimpin Predictive Bioanalytics Initiative yang juga merupakan Profesor Termeer dari Teknik dan Sains Medis di MIT. “Pada dasarnya, kami mampu mencapai akurasi tingkat dokter kulit dalam mendiagnosis potensi lesi kanker kulit dari gambar yang dapat diambil oleh siapa saja yang memiliki ponsel cerdas, yang membuka potensi besar untuk menemukan dan mengobati melanoma lebih dini.”

Menyadari bahwa teknologi seperti itu harus tersedia bagi sebanyak mungkin orang untuk mendapatkan keuntungan maksimal, tim telah membuat algoritme mereka menjadi sumber terbuka di GitHub. Mereka berharap dapat bermitra dengan pusat medis untuk meluncurkan uji klinis lebih lanjut yang menunjukkan kemanjuran sistem mereka, dan dengan industri untuk mengubahnya menjadi produk yang dapat digunakan oleh penyedia perawatan primer di seluruh dunia. Mereka juga menyadari bahwa agar dapat membantu secara universal, algoritme mereka harus dapat berfungsi dengan baik di seluruh spektrum warna kulit manusia, yang akan mereka gabungkan ke dalam pengembangan di masa mendatang.

“Membiarkan para ilmuwan kami mewujudkan hasrat dan visi mereka adalah kunci keberhasilan Wyss Institute, dan sungguh luar biasa melihat kemajuan ini yang dapat memengaruhi kita semua dengan cara yang begitu berarti yang muncul dari kolaborasi dengan Prakarsa Bioanalitik Prediktif yang baru kami bentuk, “kata Direktur Pendiri Wyss, Don Ingber, MD, Ph.D., yang juga merupakan Profesor Biologi Vaskular Judah Folkman di Sekolah Kedokteran Harvard dan Rumah Sakit Anak Boston, dan Profesor Rekayasa Biologi di Sekolah Teknik dan Terapan Harvard John A. Paulson. Ilmu Pengetahuan.

Penulis tambahan makalah ini termasuk Regina Barzilay, Martha L.Gray, Timothy Kassis, Susan T. Conover, Berta Marti-Fuster, Judith S.Birkenfeld, Jason Tucker-Schwartz, dan Asif Naseem dari MIT, Robert R. Stavert dari Beth Pusat Medis Diakones Israel, Caroline C. Kim dari Tufts Medical Center, Maryanne M. Senna dari Rumah Sakit Umum Massachusetts, dan José Avilés-Izquierdo dari Rumah Sakit Umum Universitario Gregorio Marañón.

Penelitian ini didukung oleh Abdul Latif Jameel Clinic for Machine Learning in Health, Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid melalui Madrid-MIT M + Visión Consortium dan People Program of the Seventh Framework Programme Uni Eropa, hibah CONACyT Meksiko 342369/40897, dan hibah pelatihan DOE AS DE-SC0008430.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Lagu Togel