La radioterapia è uno dei trattamenti contro il cancro più utilizzati, ma uno svantaggio della procedura è che può causare danni collaterali ai tessuti sani in prossimità di escrescenze cancerose. L'identificazione degli organi a rischio tramite le scansioni TC è un processo difficile e laborioso, ma scienziati informatici e ricercatori di altre istituzioni dell'UCI hanno sviluppato una tecnica automatizzata per eseguire questa funzione utilizzando un algoritmo di deep learning. Il loro lavoro è stato pubblicato di recente in Intelligenza della macchina della natura .

"Utilizzando il nostro modello, è possibile delineare un'intera scansione in pochi secondi, un compito che richiederebbe a un esperto umano più di mezz'ora, " ha detto il co-autore Xiaohui Xie, Professore UCI di informatica. "Su un set di dati di 100 scansioni TC, il nostro metodo di deep learning ha raggiunto un coefficiente di somiglianza medio di oltre il 78 percento, un miglioramento significativo rispetto alle analisi fatte dai radioterapisti".

I ricercatori si sono concentrati sulla testa e sul collo per il loro studio a causa delle complesse strutture anatomiche e della densa distribuzione degli organi in questa parte del corpo. Anche, l'irradiazione involontaria al tessuto sensibile in quest'area può portare a effetti collaterali negativi come difficoltà nell'aprire la bocca, deterioramento della vista e dell'udito, e deterioramento cognitivo. Xie ha affermato che il successo dell'approccio del suo team può essere attribuito al design in due fasi del modello.

Primo, il sistema identifica le regioni contenenti organi vitali, e quindi estrae le caratteristiche dell'immagine da queste aree focali. "La nostra rete neurale di deep learning migliora notevolmente la capacità di delineare le anatomie anche con scansioni TC a basso contrasto, " disse Xie. "E la configurazione è più efficiente dal punto di vista computazionale di altri metodi, consentendo di farlo con livelli più standard di memoria dell'unità di elaborazione grafica. Ciò significa che la tecnica può essere implementata più facilmente nelle cliniche reali." I suoi collaboratori provenivano dalla Shanghai Jiao Tong University School of Medicine della Cina e da DeepVoxel Inc. di Costa Mesa.