Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Künstliche Intelligenz ist für die Bestimmung von Undiagnosed NASH viel versprechend
{{{sourceTextContent.subTitle}}}
Ein Algorithmus der künstlichen Intelligenz prüft möglicherweise nützlich für die Entdeckung von fehlenden Fällen nicht alkoholischen steatohepatitis, Forscher haben gefunden.
{{{sourceTextContent.description}}}
Der Algorithmus setzt die Prinzipien von „tief lernen“, die klinischen Eigenschaften zu erkennen ein, die für Patienten mit NASH allgemein sind. Die Anfangsergebnisse regen an, aber die Software wird erwartet, um in zunehmendem Maße intelligent zu werden und verbessert Besonderheit und Empfindlichkeit, während sie MO bezüglich der Daten enthält, sagte Kathryn Starzyk, MSC, der ältere Direktor des realistischen Beweises bei OM1 Inc., das Boston-ansässige Unternehmen, das das System entwickelt.
Der Goldstandard für eine Diagnose von NASH ist eine Leberbiopsie, aber Frau Starzyk umriß praktische Beschränkungen zu dieser Annäherung an der Woche der verdauungsfördernden Krankheits-2018 (Zusammenfassung 356).
„Leberbiopsie trägt Risiko, und sie wird für einige Patienten kontraindiziert,“ sagte Frau Starzyk. Wegen des hohen und wachsenden Vorherrschens von NASH-mehr als, verdoppelnd in den letzten 20 Jahren in den Vereinigten Staaten (morgens J Gastroenterol 2017; 112 [4]: 581-587) — die Kosten des Biopsierens jedes vermuteten Falles können Gesundheitswesenbetriebsmittel auch schwächen.
Das neue Werkzeug bezieht „eine Kombination von hoch entwickelten AI-Algorithmen mit ein, die entworfen sind, um die Eigenschaften von bestätigten NASH-Fällen automatisch zu lernen,“ sagte Frau Starzyk. Wenn Sie auf einen Lernensatz Patienten mit oder ohne NASH, der Empfänger zugetroffen werden, der die charakteristische-ein Methode laufen lässt, welche die Fähigkeit eines binären Klassifikators misst, wahres von falschem zu erkennen Fall-geprüft, um sehr stark zu sein „,“ fügte sie hinzu.
Bestätigungsstudien in den Bevölkerungen, in denen das Vorherrschen von NASH bekannt, um, wie beleibte Leute hoch zu sein oder in denen mit Diabetes, auch haben angeregt. Als das AI-Werkzeug an einer Datenbank mit mehr als 40 Million US-Einzelpersonen angewendet wurde, hielt die Anzahl der Patienten, um eine hohe Wahrscheinlichkeit von NASH zu haben war in den Hunderten von den Tausenden, berichtete Frau Starzyk.
Der AI-Algorithmus könnte für andere Krankheiten, besonders die angepasst werden, die auch allgemein übersehen werden oder schlecht kodiert, sagte sie. Wenn Therapien für NASH verbessern, sind besonders Interventionen, die Weiterentwicklung an einem Anfangsstadium einstellen, der Bedarf an den Strategien, asymptomatische Patienten zu identifizieren akut.
Andere Gruppen üben auch eine tiefe Lernenannäherung zur Entdeckung der Lebererkrankung ohne Biopsie aus. Ein multinationales Team von Forschern führte durch Jasjit S. Suri, Doktor, von globalen biomedizinischen Technologien in Roseville, Calif., auswertet Ultraschallbilder mit einem künstlichen neuralen Netz.
Eine Veränderung auf der Lernfähigkeit einer Maschine, künstliche neurale Netze sind mit einem biologischen Gehirn verglichen worden, das verarbeiten kann unvereinbare Informationsquellen auf eine nichtlineare Mode, um ein Ergebnis zu erzielen, wie, ob ein CT-Scan positiv oder für Lebererkrankung negativ ist. Anstelle programmiert zu werden, zum von Eigenschaften zu erkennen, Computer, welche die Lernfähigkeit einer Maschine einsetzen, ihr eigenes Wissen aufzubauen. Im Falle Leber CT-Scans, Lernfähigkeit- einer Maschineaufkleber CT-Scans als negatives oder positives nach der Bewertung von Hunderten oder von Tausenden Beispielen, um komplexe Informationen von den mehrfachen bestimmenden Faktoren zu erfassen.
In einer Studie, die ein tiefes Lernsystem verglich, das ein überlagertes neurales Netz und herkömmliche eine Lernfähigkeit einer Maschine bei 63 Patienten mit oder ohne Lebererkrankung einsetzte, war die Risikostratifikation 100% für das neurale Netz gegen 82% für ein herkömmliches Lernfähigkeit- einer Maschineprotokoll, entsprechend über das einer Untersuchung Dr. Suri der ältere Autor war (Comput-Methoden-Programme BIOMED 2018; 155:165-177).
„Tiefe Lernsystem [unter Verwendung der neuralen Netze] zeigen eine überlegene Leistung für die Lebererkrankungsentdeckung und -Risikostratifikation, die mit herkömmlichen Lernfähigkeit- einer Maschinesystemen verglichen werden,“ berichtete Dr. Suri in seinem erschienenen Artikel. Obgleich Ergebnisse von einer kleinen Studie gezeichnet wurden, sagte er, dass die Annäherung bedeutendes Potenzial für die Entdeckung der fetthaltigen Lebererkrankung und der nichtinvasiven Risikostratifikation hat.