Strålbehandling är en av de mest använda cancerbehandlingarna, men en nackdel med förfarandet är att det kan orsaka säkerhetsskador på frisk vävnad i närheten av cancertillväxt. Att identifiera riskerade organ via CT-skanningar är en svår och arbetskrävande process, men UCI-datavetenskapare och forskare från andra institutioner har utvecklat en automatiserad teknik för att utföra denna funktion med hjälp av en djupinlärningsalgoritm. Deras arbete publicerades nyligen i Nature Machine Intelligence .

"Med hjälp av vår modell, det är möjligt att avgränsa en hel skanning på några sekunder, en uppgift som skulle ta en mänsklig expert över en halvtimme, "sa medförfattaren Xiaohui Xie, UCI -professor i datavetenskap. "På en datauppsättning med 100 CT -skanningar, vår djupinlärningsmetod uppnådde en genomsnittlig likhetskoefficient på mer än 78 procent, en betydande förbättring jämfört med analyser gjorda av strålningsonkologer. "

Forskarna fokuserade på huvud och nacke för sin studie på grund av de komplexa anatomiska strukturerna och den täta organfördelningen i denna del av kroppen. Också, oavsiktlig bestrålning mot känslig vävnad i detta område kan leda till negativa biverkningar som svårigheter att öppna munnen, försämring av syn och hörsel, och kognitiv försämring. Xie sa att framgången för hans teams tillvägagångssätt kan hänföras till modellens tvåstegsdesign.

Först, systemet identifierar regioner som innehåller vitala organ, och sedan extraherar den bildfunktioner från dessa fokusområden. "Vårt inlärningsneurala nätverk förbättrar kraftigt förmågan att avgränsa anatomier även med lågkontrast CT-skanningar, "Sa Xie." Och installationen är mer beräkningseffektiv än andra metoder, gör det möjligt att göra det med mer standardnivåer för grafikprocessorenhetens minne. Det betyder att tekniken lättare kan användas på verkliga kliniker. "Hans medarbetare var från Kinas Shanghai Jiao Tong University School of Medicine och DeepVoxel Inc. i Costa Mesa.