głęboka sieć neuronowa
Głęboka sieć neuronowa (Deep Neural Network, DNN) to zaawansowany model obliczeniowy w sztucznej inteligencji, składający się z wielu warstw neuronów, które przetwarzają dane z rosnącym poziomem abstrakcji. W kontekście medycznym, głębokie sieci neuronowe zrewolucjonizowały diagnostykę obrazową, analizę danych genetycznych oraz przewidywanie przebiegu chorób.
W diagnostyce obrazowej, głębokie sieci neuronowe umożliwiają automatyczną detekcję i klasyfikację zmian patologicznych na obrazach radiologicznych, takich jak zdjęcia RTG, obrazy MRI czy CT, często z dokładnością dorównującą lub przewyższającą doświadczonych radiologów. Szczególnie skuteczne są w wykrywaniu wczesnych zmian nowotworowych, nieprawidłowości w układzie sercowo-naczyniowym czy zmian neurodegeneracyjnych.
W genomice i proteomice, głębokie sieci neuronowe znajdują zastosowanie w interpretacji złożonych danych genetycznych, przewidywaniu struktury białek oraz identyfikacji biomarkerów chorób. Modele te pomagają również w personalizacji terapii poprzez analizę danych pacjenta i prognozowanie odpowiedzi na określone leczenie, co stanowi fundament medycyny precyzyjnej.
Powiązane wpisy
- Leksykon chorób i schorzeń
Przerzuty nowotworowe do kości – Diagnostyka i diagnoza
Przerzuty nowotworowe do kości stanowią istotny problem kliniczny, szczególnie u pacjentów z rakiem piersi, prostaty, płuc i nerek, gdzie częstość ich występowania wynosi odpowiednio 65-75%, 30-40% i 20-32%. Diagnostyka obrazowa jest kluczowa w wykrywaniu i ocenie zaawansowania zmian przerzutowych. Standardowo stosuje się zdjęcia rentgenowskie (czułość około 50%), scyntygrafię kości (czułość do 83,3%), tomografię komputerową (czułość około 85%) oraz rezonans magnetyczny (czułość około 90%), a także PET/CT z 18F-FDG lub 18F-NaF, które charakteryzują się najwyższą czułością (do 100%) i swoistością (do 97%). Każda z tych metod ocenia inne aspekty zmian kostnych: scyntygrafia – przebudowę kostną, TK – destrukcję kory kostnej, MR – zajęcie szpiku i tkanek miękkich, PET-CT – metabolizm glikolityczny. Wybór metody zależy od typu histologicznego guza i charakteru przerzutów (osteolityczne, sklerotyczne, mieszane).
biopsja cienkoigłowa, biopsja gruboigłowa, biopsja otwarta, biopsja płynna, biopsja szpiku kostnego, diagnostyka obrazowa, elektroforeza białek surowicy, fosfataza alkaliczna, głęboka sieć neuronowa, hiperkalcemia, kompresja rdzenia kręgowego, krążąca komórka nowotworowa, krążące DNA nowotworowe, mięsak Ewinga, morfologia krwi, obrazowanie dyfuzyjne, pęcherzyk zewnątrzkomórkowy, pozytonowa tomografia emisyjna, przerzut nowotworowy do kości, przerzut osteoblastyczny, przerzut osteolityczny, przerzut sklerotyczny, radiografia konwencjonalna, rak nerki, rak piersi, rak płuc, rak prostaty, rak tarczycy, rezonans magnetyczny, scyntygrafia kości, sztuczna inteligencja, tomografia komputerowa, zespół multidyscyplinarny, złamanie patologiczne - Leksykon chorób i schorzeń
Choroby zakaźne – Rokowania, prognozy i postęp choroby
Prognozowanie przebiegu chorób zakaźnych jest kluczowe dla optymalizacji leczenia i alokacji zasobów w opiece zdrowotnej, jednak napotyka na liczne wyzwania, takie jak heterogeniczność chorób, zmienność reakcji pacjentów oraz opóźnienia w raportowaniu przypadków. Tradycyjne metody prognostyczne, oparte na skalach klinicznych i biomarkerach (np. prokalcytonina w sepsie, D-dimer, IL-6, ferrytyna i CRP w COVID-19), są uzupełniane przez zaawansowane modele uczenia maszynowego, takie jak random forest z dokładnością 97% w przewidywaniu ciężkiego przebiegu COVID-19 czy modele DNN i LSTM przewyższające klasyczne ARIMA. Transfer learning, jak w metodologii TransMED, poprawia predykcję u pacjentów z COVID-19 o 12,9% i 10,3% w AUROC, wykorzystując dane z chorób układu oddechowego. Systematyczne przeglądy wykazały jednak, że większość modeli prognostycznych COVID-19 (90% z 593 modeli) cechuje wysokie ryzyko błędu, a tylko nieliczne, takie jak Qcovid, PRIEST i ISARIC 4C Deterioration, mają niskie ryzyko błędu i są rekomendowane do dalszej walidacji.
białko C-reaktywne, biomarker, choroby układu sercowo-naczyniowego, ciśnienie krwi, D-dimer, ferrytyna, głęboka sieć neuronowa, gorączka denga, gorączka krwotoczna denga, grypa, IL-6, intubacja, małopłytkowość, model Random Forest, niewydolność narządów, niewydolność wielonarządowa, prokalcytonina, sepsa, stosunek PaO2/FiO2, troponina T, zapalenie oskrzeli, zespół ostrej niewydolności oddechowej, zespół wstrząsu denga - Leksykon chorób i schorzeń
Choroba wieńcowa – Rokowania, prognozy i postęp choroby
Choroba wieńcowa (CAD) pozostaje wiodącą przyczyną zgonów globalnie, a precyzyjne przewidywanie rokowania jest kluczowe dla optymalizacji leczenia. Nowoczesne metody statystyczne i algorytmy uczenia maszynowego (ML) przewyższają tradycyjną ocenę kliniczną w dokładności prognozowania, zwłaszcza w podgrupach wysokiego ryzyka, takich jak pacjenci z migotaniem przedsionków. Modele ML, takie jak regularyzowana regresja logistyczna (AUC 0,732), las losowy (AUC 0,728) i maszyny wektorów nośnych (AUC 0,712), wykazują wysoką skuteczność, a model regresji logistycznej rekomendowany jest do praktyki klinicznej ze względu na najlepszą specyficzność i interpretowalność. Wartości predykcyjne EKG zostały znacznie rozszerzone dzięki głębokim sieciom neuronowym typu CNN, np. narzędzie SEER prognozuje 5-letnią śmiertelność sercowo-naczyniową z AUC 0,83, co poprawia stratyfikację ryzyka, zwłaszcza u pacjentów z pośrednim ryzykiem według Pooled Cohort Equations (PCE). System CAD-RADS z kolei umożliwia standaryzację raportów CCTA i jest silnym predyktorem MACE (HR 3,39–8,63) oraz śmiertelności z wszystkich przyczyn (HR 1,50–3,09).
autonomiczny układ nerwowy, białe krwinki, cholesterol, choroba wieńcowa, elektrokardiogram, głęboka sieć neuronowa, migotanie przedsionków, niestabilna dławica piersiowa, niewydolność serca, ostry zespół wieńcowy, peptyd natriuretyczny typu B, poważne zdarzenia sercowo-naczyniowe, przezskórna interwencja wieńcowa, tomografia komputerowa tętnic wieńcowych, uczenie maszynowe, wydolność fizyczna, zawał serca, zwapnienie tętnic wieńcowych - Leksykon chorób i schorzeń
Choroba nadpobudliwości z deficytem uwagi (adhd) – Rokowania, prognozy i postęp choroby
Choroba nadpobudliwości z deficytem uwagi (ADHD) charakteryzuje się wysoką stabilnością diagnostyczną, sięgającą około 70% w okresie 7-letnim u dzieci poddanych kompleksowej ocenie rozwojowej i psychologicznej. Kluczowe predyktory utrzymania diagnozy to obecność objawów eksternalizacyjnych i internalizacyjnych, historia psychopatologii u rodziców, niski status socjoekonomiczny, karalność rodziców, genetyczne obciążenie ADHD, niepowodzenia szkolne oraz współwystępowanie zaburzeń mowy i uczenia się. ADHD ma złożoną etiologię, wynikającą z interakcji czynników genetycznych i środowiskowych. Długoterminowe badania wykazały, że ponad 75% dzieci z ADHD nadal wykazuje objawy w dorosłości, a około 22% spełnia kryteria diagnostyczne w porównaniu do 5% w grupie kontrolnej. Nieleczone ADHD wiąże się z licznymi negatywnymi konsekwencjami, w tym obniżonym funkcjonowaniem psychospołecznym, gorszymi wynikami edukacyjnymi i zawodowymi, wyższym ryzykiem zaburzeń współistniejących (np. zaburzenia osobowości antyspołecznej 16% vs 0%, zaburzenia związane z używaniem substancji 14% vs 5%) oraz zwiększonym ryzykiem urazów i wypadków.
ADHD, etiologia ADHD, głęboka sieć neuronowa, interleukina-6, interwencja rodzinna, jakość życia, model prognostyczny, neurodywergencja, niepowodzenie szkolne, objawy eksternalizacyjne, objawy internalizacyjne, ocena diagnostyczna, patogeneza, przewlekłe zmęczenie, samoleczenie, stabilność diagnostyczna, stan zapalny, trudność w uczeniu się, wypadek drogowy, zaburzenia współistniejące, zaburzenie mowy, zaburzenie neurorozwojowe, zaburzenie osobowości antyspołecznej, zaburzenie używania substancji, zachowanie opozycyjno-buntownicze, zdolność dyskryminacyjna - Leksykon chorób i schorzeń
Nowotwór – Rokowania, prognozy i postęp choroby
Nowotwory stanowią istotną przyczynę chorobowości i śmiertelności globalnie, a precyzyjne prognozowanie przebiegu choroby jest kluczowe dla personalizacji terapii onkologicznej. Tradycyjne metody oparte na parametrach kliniczno-patologicznych, takich jak klasyfikacja TNM, grading, stan węzłów chłonnych, obecność przerzutów oraz ocena sprawności według skali WHO-PS (ECOG-PS), mają ograniczoną skuteczność prognostyczną. W ostatnich latach rozwój sztucznej inteligencji (AI), uczenia maszynowego (ML) i głębokiego uczenia (DL) umożliwił integrację danych klinicznych, genomowych, radiomicznych i histopatologicznych, co znacząco poprawia dokładność przewidywania przeżycia i odpowiedzi na leczenie. Modele DL, takie jak DNN, CNN, DBN, DRN oraz transformatory wizyjne (ViT), wykazują przewagę nad tradycyjnymi metodami, umożliwiając m.in. ocenę ryzyka nawrotu, wczesną diagnostykę oraz dobór optymalnej terapii. Przykłady biomarkerów molekularnych o znaczeniu prognostycznym to 70-genowa sygnatura w raku piersi oraz test Oncotype DX (21 genów), które pomagają w stratyfikacji ryzyka i decyzjach terapeutycznych, choć ich skuteczność może być ograniczona czasowo (np. do 5 lat w przypadku Oncotype DX). Obciążenie mutacyjne guza (TMB) jest istotnym wskaźnikiem u pacjentów poddawanych immunoterapii.
choroba nowotworowa, delecja 11q, dokumentacja medyczna, drzewo decyzyjne, głęboka sieć neuronowa, głębokie uczenie, glejak niższego stopnia, klasyfikacja TNM, konwolucyjna sieć neuronowa, maszyna wektorów nośnych, mutacja ATM, obciążenie mutacyjne guza, przerzut odległy, przewlekła białaczka limfocytowa, rak nadnercza, rak pęcherza moczowego, rak piersi, rak prostaty, rak szyjki macicy, rak trzustki, sekwencjonowanie DNA, skala WHO-PS, stopień zróżnicowania guza, sztuczna sieć neuronowa, terapia adjuwantowa, węzły chłonne - Leksykon chorób i schorzeń
Utrata słuchu – Rokowania, prognozy i postęp choroby
Dokładne przewidywanie prognozy w nagłej idiopatycznej głuchocie czuciowo-nerwowej (ISSHL) jest kluczowe dla optymalizacji leczenia i doradztwa pacjentów. Negatywne czynniki prognostyczne obejmują ciężki ubytek słuchu, zwłaszcza w wysokich częstotliwościach, rozpoczęcie poprawy po ponad 2 tygodniach, wiek powyżej 50,7 lat, zawroty głowy, późne rozpoczęcie terapii oraz zstępujący kształt audiogramu. Modele uczenia maszynowego, takie jak głęboka sieć neuronowa (DNN) z dokładnością 88,81% i AUROC 0,9448, LightGBM (AUROC 0,915) oraz MLP (AUROC 0,911), przewyższają tradycyjną regresję logistyczną w predykcji powrotu słuchu. Metoda SHAP wskazała kształt audiogramu jako najważniejszy czynnik prognostyczny. W ocenie powrotu słuchu stosuje się kryteria Siegela, które w nowoczesnym, spersonalizowanym podejściu uwzględniają indywidualne zakresy uszkodzonych częstotliwości, co zmienia klasyfikację u 7% pacjentów.
aparat słuchowy, audiogram, audiometria, choroba Ménière’a, etiologia genetyczna, głęboka sieć neuronowa, głęboki ubytek słuchu, implantacja ślimakowa, latencja N1, latencja P1, metoda SHAP, model wieloczynnikowy, percepcja mowy, próg słyszenia, rozumienie mowy, szumy uszne, uczucie pełności w uchu, utrata słuchu, zapalenie opon mózgowych, zawroty głowy