Využití dat v boji proti rakovině kůže | Mňamka #438

Úvod

Rakovina kůže je jedním z nejčastějších typů rakoviny, které postihují lidstvo. Tento nádor vzniká na kůži a může být způsoben nadměrným vystavením slunečnímu záření, genetickými faktory, oslabenou imunitou a dalšími faktory. Podle Světové zdravotnické organizace (WHO) každoročně vznikne na světě asi 3 miliony nových případů nádoru kůže a až 132 000 lidí na něj umírá.

Rakovina v číslech

V roce 2020 bylo v České republice diagnostikováno přibližně 3 100 nových případů maligního melanomu a zhruba 13 500 případů ostatních typů kožního nádoru. Rakovina kůže je nejčastějším typem rakoviny v celé Evropě. Podle dat Evropského registru nádorů bylo v Evropě v roce 2020 diagnostikováno 107 920 případů nádoru kůže. Tento počet se v průběhu let zvyšuje a odborníci očekávají další nárůst.

Kromě toho, že se počet nově diagnostikovaných případů rakoviny kůže zvyšuje, je na tuto nemoc stále vysoká úmrtnost. V České republice bylo evidováno 352 úmrtí na rakovinu kůže, což představuje téměř 7 % z celkového počtu úmrtí na rakovinu.

Prevence

Prevence a včasná diagnostika jsou klíčové faktory pro snížení počtu případů a úmrtnosti na rakovinu kůže. A právě zde může strojové učení a analýza dat hrát velkou roli. Díky novým technologiím a vývoji algoritmů je možné využít strojové učení k identifikaci rizikových faktorů, diagnostice a sledování průběhu onemocnění. V dalších částech tohoto článku se podrobněji podíváme na to, jak strojové učení pomáhá v prevenci a včasné diagnostice rakoviny kůže a jaké jsou dosavadní výsledky a výzvy v této oblasti.

Využití dat k včasné identifikaci

Při analýze kožních lézí se strojové učení ukázalo jako velmi efektivní nástroj pro diagnostiku a identifikaci rakoviny kůže. Existuje několik různých přístupů a modelů strojového učení, které se používají k analýze kožních lézí.

V diagnostice rakoviny kůže se využívá několik přístupů, mezi něž patří i metoda konvolučních neuronových sítí (CNN). Jsou to speciální typy neuronových sítí, které využívají konvoluční (convolution) vrstvy k extrakci rysů z obrazů. Tyto vrstvy se skládají z neuronů, které jsou spojeny s malým oknem vstupních pixelů. Během učení sítě se tyto okna posouvají po celém obrázku a každý neuron v konvoluční vrstvě počítá vážený součet pixelů pod daným oknem. Výstup této operace pak projde funkční transformací, jako například ReLU aktivační funkcí.

Kromě konvolučních vrstev obsahuje CNN také sdružovací (pooling) vrstvy, které slouží k redukci dimenzionality dat a zároveň zvyšují robustnost sítě vůči malým posunům a rotacím obrazů. Sdružovací vrstvy pracují na stejném principu jako konvoluční vrstvy, ale místo váženého součtu pixelů počítají například průměr nebo maximum z celého okna. To má za následek snížení počtu parametrů v síti a zároveň vede k větší schopnosti generalizovat naučené rysy na nové data.

K úspěšnému naučení typů kožních lézí je potřeba mít k dispozici velké množství dat, tedy snímků kožních onemocnění s označením, o který typ choroby se jedná. Výsledkem úspěšně natrénované sítě je prediktivní model. Po trénování může být model použit k analýze nových fotografií kožních lézí a identifikaci potenciálních chorob. Tyto sítě se učí rozpoznávat nejen přítomnost kožních lézí, ale také typ a stupeň malignity. Přesnost klasifikace konvolučních sítí v mnoha případech překonává přesnost diagnostiky provedené lidským odborníkem.

Mobilní aplikace

Dnes existuje mnoho mobilních aplikací, které umožňují pacientům sledovat a monitorovat své kožní léze pomocí fotografií pořízených z mobilního zařízení. Tyto aplikace poskytují rychlé a snadné vyhodnocení příznaků a mohou pomoci pacientům identifikovat možné kožní léze, které by mohly vyžadovat další diagnostiku. Některé z těchto aplikací jsou k dispozici zdarma, zatímco jiné vyžadují placenou předplatné. Mezi takové dnes nejznámější a nejpoužívanější aplikace patří - SkinVision, First Derm či mySkin.

Závěr

Na závěr je nutné zdůraznit, že i přes pozitivní vliv strojového učení a moderních technologií na diagnostiku rakoviny kůže, je stále nezbytné vyhledávat pravidelně lékařskou pomoc a konzultovat jakékoli podezřelé změny na kůži s odborníkem. Včasná diagnostika a léčba jsou stále klíčové pro úspěšné vyléčení této nemoci. K tomu nám ovšem moderní technologie slouží více než dobře.

A jak se takový prediktivní model vytvoří? To si ukážeme někdy příště.

Zdroje

Zapomněl jsem na něco? Chcete se na něco zeptat? Napište mi. Rád to s vámi proberu.

Martin

Martin Křeček
Datový detektiv
Linkedin

Líbí se vám článek? Ochutnejte naše mňamky.

Ikony v reportu: Zaujměte na první pohled a zjednodušte navigaci | Mňamka #543

Ikony v reportu: Zaujměte na první pohled a zjednodušte navigaci | Mňamka #543

Vizuální zkratky, které promění datovou džungli v přehlednou mapu. Zjistěte, jak s pomocí ikon zjednodušit navigaci, zvýraznit klíčové informace a proměnit suchá data v poutavý příběh. Naučte se vybírat vhodné ikony, pracovat s nimi efektivně a odhalte, proč je jejich správné použití klíčové pro srozumitelnost a úspěch vašich reportů.

Jak předvídat chování zákazníků: Churn, životní hodnota a další klíčové ukazatele | Mňamka #542

Jak předvídat chování zákazníků: Churn, životní hodnota a další klíčové ukazatele | Mňamka #542

Porozumění chování zákazníků a jeho predikce jsou dnes klíčové pro firmy, které chtějí budovat loajalitu, zlepšit cílení kampaní a efektivně řídit své marketingové investice. Jak předpovědět, kdy zákazník odejde, jakou má pro firmu hodnotu nebo kdy s největší pravděpodobností znovu nakoupí? V článku se podíváme na klíčové koncepty, jako je predikce odchodu zákazníků (churn), výpočet jejich životní hodnoty (Lifetime Value), odhad pravděpodobnosti další interakce či modelování sklonu k nákupu. Získané poznatky mohou pomoci vytvářet efektivnější marketingové strategie a lepší zákaznickou zkušenost.

MS Fabric: Pojďte si s námi vytvořit první pipeline - 2.část | Mňamka #541

MS Fabric: Pojďte si s námi vytvořit první pipeline - 2.část | Mňamka #541

Otevřeli jste poprvé MS Fabric a vůbec se nerorientujete? Už máte zadání a nevíte kam dřív? V tom případě jste tady správně, protože vás provedeme prvními krůčky, jak si dotáhnout do Fabricu první data, zpracovat je a nastavit celý proces v jednoduché pipeline. Ukažte ostatním, jak se to dělá! V tomto článku si představíme konkrétně kroky jako kopírování dat, dataflow, notebooky a zprovoznění pipeline.