深度學習模型LARS在識別淋巴瘤跡象方面的準確率為90%。
查爾莫斯理工大學電氣工程系副教授IDA hgg strm表示，淋巴瘤是一種罕見的癌癥，這意味著放射科醫生不太可能解讀這種病例。
她與紀念斯隆-凱特琳癌癥中心大學的臨床研究人員合作開發了Lars(淋巴瘤人工讀數系統)，這是一個深度學習系統，經過訓練可以在PET掃描中找到與淋巴瘤陽性或陰性結果相符的模式，以做出最佳預測，并幫助減少因不熟悉掃描結果而導致的錯誤。
該人工智能模型在來自5000多名淋巴瘤患者的17，000多張圖像上進行訓練，并沒有使用預定的指令進行編程，而是自學哪些圖像模式顯示了疾病的跡象。對其療效的研究被稱為淋巴瘤患者 [¹?F]fluorodeoxyglucose-PET-CT分類的深度學習:雙中心回顧性分析。
Häggström在一份聲明中表示：“我使用了所謂的監督訓練，將圖像顯示給計算機模型，然后由計算機模型評估患者是否患有淋巴瘤。該模型還可以看到真正的診斷，因此，如果評估錯誤，則會調整計算機模型，使其逐漸變得越來越好地確定診斷。”
為了確保醫學影像診斷的準確性，Häggström和她的團隊對人工智能模型進行了調整，以區分不同治療方式下癌癥患者影像的特征變化。通過分析長達十多年的醫學影像檔案，她們成功將患者的最終診斷與治療前后的影像進行比較，利用這些數據訓練和優化模型。這項研究強調了該模型在處理復雜案例時的重要性。
然而，在將這一技術應用于臨床實踐之前，仍需進一步驗證。Häggström指出，由于需要廣泛的臨床測試來驗證模型的有效性，因此其他研究團隊也可借鑒并使用這一模型。這一科技進展有望為癌癥治療帶來新的突破，提供更精準的診斷和治療方案。
