深度学习模型LARS在识别淋巴瘤迹象方面的准确率为90%。
查尔莫斯理工大学电气工程系副教授IDA hgg strm表示，淋巴瘤是一种罕见的癌症，这意味着放射科医生不太可能解读这种病例。
她与纪念斯隆-凯特琳癌症中心大学的临床研究人员合作开发了Lars(淋巴瘤人工读数系统)，这是一个深度学习系统，经过训练可以在PET扫描中找到与淋巴瘤阳性或阴性结果相符的模式，以做出最佳预测，并帮助减少因不熟悉扫描结果而导致的错误。
该人工智能模型在来自5000多名淋巴瘤患者的17，000多张图像上进行训练，并没有使用预定的指令进行编程，而是自学哪些图像模式显示了疾病的迹象。对其疗效的研究被称为淋巴瘤患者 [¹?F]fluorodeoxyglucose-PET-CT分类的深度学习:双中心回顾性分析。
Häggström在一份声明中表示：“我使用了所谓的监督训练，将图像显示给计算机模型，然后由计算机模型评估患者是否患有淋巴瘤。该模型还可以看到真正的诊断，因此，如果评估错误，则会调整计算机模型，使其逐渐变得越来越好地确定诊断。”
为了确保医学影像诊断的准确性，Häggström和她的团队对人工智能模型进行了调整，以区分不同治疗方式下癌症患者影像的特征变化。通过分析长达十多年的医学影像档案，她们成功将患者的最终诊断与治疗前后的影像进行比较，利用这些数据训练和优化模型。这项研究强调了该模型在处理复杂案例时的重要性。
然而，在将这一技术应用于临床实践之前，仍需进一步验证。Häggström指出，由于需要广泛的临床测试来验证模型的有效性，因此其他研究团队也可借鉴并使用这一模型。这一科技进展有望为癌症治疗带来新的突破，提供更精准的诊断和治疗方案。
