Vai mākslīgais intelekts varētu būt vēža diagnostikas nākotne?
Nesenā pētījumā pētnieki apmācīja algoritmu, lai atšķirtu ļaundabīgus un labdabīgus bojājumus krūts audu skenēšanā.
Ar vēzi veiksmīgas ārstēšanas atslēga ir agrīna tā noķeršana.
Patlaban ārstiem ir pieejama augstas kvalitātes attēlveidošana, un kvalificēti radiologi var pamanīt patoloģiskas augšanas indikatorus.
Pēc identifikācijas nākamais solis ir ārsts, lai pārliecinātos, vai augšana ir labdabīga vai ļaundabīga.
Visuzticamākā metode ir veikt biopsiju, kas ir invazīva procedūra.
Pat tad var rasties kļūdas. Daži cilvēki saņem vēža diagnozi tur, kur nav slimības, bet citi nesaņem diagnozi, kad ir vēzis.
Abi rezultāti izraisa ciešanas, un pēdējā situācija var kavēt ārstēšanu.
Pētnieki vēlas uzlabot diagnostikas procesu, lai izvairītos no šiem jautājumiem. Atklājot, vai bojājums ir ļaundabīgs vai labdabīgs, ticamāk un bez nepieciešamības veikt biopsiju, būtu jāmaina spēle.
Daži zinātnieki pēta mākslīgā intelekta (AI) potenciālu. Nesenā pētījumā zinātnieki apmācīja algoritmu ar uzmundrinošiem rezultātiem.
AI un elastogrāfija
Ultraskaņas elastogrāfija ir salīdzinoši jauna diagnostikas metode, kas pārbauda krūts audu stingrību. Tas to panāk, vibrējot audus, kas rada vilni. Šis vilnis izraisa deformāciju ultraskaņas skenēšanā, izceļot krūts apgabalus, kur īpašības atšķiras no apkārtējiem audiem.
Pēc šīs informācijas ārsts var noteikt, vai bojājums ir vēzis vai labdabīgs.
Lai gan šai metodei ir liels potenciāls, elastogrāfijas rezultātu analīze ir laikietilpīga, ietver vairākus soļus un prasa sarežģītu problēmu risināšanu.
Nesen Losandželosas Dienvidkalifornijas universitātes Viterbi inženieru skolas pētnieku grupa jautāja, vai algoritms varētu samazināt pasākumus, kas nepieciešami, lai iegūtu informāciju no šiem attēliem. Viņi publicēja savus rezultātus žurnālā Datormetodes lietišķajā mehānikā un inženierzinātnēs.
Pētnieki vēlējās noskaidrot, vai viņi varētu apmācīt algoritmu, lai atšķirtu ļaundabīgos un labdabīgos bojājumus krūts skenēšanā. Interesanti, ka viņi mēģināja to panākt, apmācot algoritmu, izmantojot sintētiskos datus, nevis oriģinālos skenējumus.
Sintētiskie dati
Atbildot uz jautājumu, kāpēc komanda izmantoja sintētiskos datus, vadošais autors prof. Asads Oberai saka, ka tas ir atkarīgs no reālās pasaules datu pieejamības. Viņš paskaidro, ka “medicīniskās attēlveidošanas gadījumā jums paveicas, ja jums ir 1000 attēli. Šādās situācijās, kad datu ir maz, šāda veida metodes kļūst nozīmīgas. ”
Pētnieki apmācīja savu mašīnmācīšanās algoritmu, ko viņi sauc par dziļu konvolucionālu neironu tīklu, izmantojot vairāk nekā 12 000 sintētisko attēlu.
Procesa beigās sintētisko attēlu algoritms bija 100% precīzs; pēc tam viņi pārgāja uz reālās dzīves skenēšanu. Viņiem bija pieejami tikai 10 skenējumi: no kuriem puse bija ļaundabīgi bojājumi, bet otra puse - labdabīgi bojājumi.
“Mums bija aptuveni 80% precizitātes rādītājs. Pēc tam mēs turpinām pilnveidot algoritmu, kā ievadi izmantojot vairāk reālās pasaules attēlu. ”
Profesors Asads Oberai
Lai arī 80% ir labs, tas nav pietiekami labs - tomēr tas ir tikai procesa sākums. Autori uzskata, ka, ja viņi būtu apmācījuši algoritmu uz reāliem datiem, tas, iespējams, parādītu uzlabotu precizitāti. Pētnieki arī atzīst, ka viņu tests bija pārāk mazs, lai prognozētu sistēmas turpmākās iespējas.
AI pieaugums
Pēdējos gados arvien lielāka interese ir par AI izmantošanu diagnostikā. Kā raksta viens autors:
"AI tiek veiksmīgi izmantots attēlu analīzei radioloģijā, patoloģijā un dermatoloģijā ar diagnostikas ātrumu un precizitāti paralēli medicīnas ekspertiem."
Tomēr prof. Oberai neuzskata, ka mākslīgais intelekts kādreiz var aizstāt apmācītu cilvēku. Viņš paskaidro, ka “[vispār] vienprātība ir tāda, ka šāda veida algoritmiem ir nozīmīga loma, tostarp no attēlveidošanas profesionāļiem, kurus tā ietekmēs visvairāk. Tomēr šie algoritmi būs visnoderīgākie, ja tie nedarbosies kā melnās kastes. Ko tas redzēja, kas noveda pie galīgā secinājuma? Algoritmam jābūt skaidrojamam, lai tas darbotos kā paredzēts. ”
Pētnieki cer, ka viņi var paplašināt savu jauno metodi citu vēža veidu diagnosticēšanai. Kur audzējs aug, tas maina audu izturēšanos fiziski. Būtu jābūt iespējai iezīmēt šīs atšķirības un apmācīt algoritmu to pamanīšanai.
Tomēr, tā kā katrs vēža veids tik atšķirīgi mijiedarbojas ar apkārtni, algoritmam būs jāpārvar virkne problēmu katram tipam. Profesors Oberai jau strādā pie nieru vēža datortomogrāfijas, lai atrastu veidus, kā AI varētu palīdzēt tur diagnosticēt.
Lai gan šīs ir pirmās dienas AI izmantošanai vēža diagnostikā, ir lielas cerības uz nākotni.
