Kas tehisintellekt võib olla vähidiagnostika tulevik?
Värskes uuringus koolitasid teadlased rinnakoe skaneerimisel pahaloomuliste ja healoomuliste kahjustuste eristamiseks algoritmi.
Vähktõve korral on eduka ravi võti selle varajane tabamine.
Praegusel kujul on arstidel juurdepääs kvaliteetsele pildistamisele ja kvalifitseeritud radioloogid saavad märgata ebanormaalse kasvu märgulikke märke.
Kui see on tuvastatud, on arstidel järgmine samm veenduda, kas kasv on hea- või pahaloomuline.
Kõige usaldusväärsem meetod on teha biopsia, mis on invasiivne protseduur.
Isegi siis võib esineda vigu. Mõned inimesed saavad vähidiagnoosi seal, kus haigust pole, teised aga ei saa diagnoosi, kui vähk on olemas.
Mõlemad tulemused põhjustavad stressi ja viimane olukord võib põhjustada ravi viivitusi.
Teadlased soovivad nende probleemide vältimiseks parandada diagnostilist protsessi. Selle muutmine, kas kahjustus on pahaloomuline või healoomuline, on usaldusväärsem ja ilma biopsia vajaduseta.
Mõned teadlased uurivad tehisintellekti (AI) potentsiaali. Värskes uuringus koolitasid teadlased julgustavate tulemustega algoritmi.
Tehisintellekt ja elastograafia
Ultraheli elastograafia on suhteliselt uus diagnostiline tehnika, mis testib rinnakoe jäikust. Selle saavutab see koe vibreerimisega, mis tekitab laine. See laine põhjustab ultraheliuuringus moonutusi, tuues esile rinna piirkonnad, kus omadused erinevad ümbritsevast koest.
Selle teabe põhjal on arstil võimalik kindlaks teha, kas kahjustus on vähkkasvaja või healoomuline.
Kuigi sellel meetodil on suur potentsiaal, on elastograafia tulemuste analüüsimine aeganõudev, hõlmab mitut sammu ja nõuab keeruliste probleemide lahendamist.
Hiljuti küsis rühm Los Angeleses Lõuna-California ülikooli Viterbi insenerikooli teadlasi, kas algoritm võib vähendada nendelt piltidelt teabe hankimiseks vajalikke samme. Nad avaldasid oma tulemused ajakirjas Rakendusmehaanika ja -tehnika arvutimeetodid.
Teadlased soovisid teada saada, kas nad saaksid koolitada algoritmi rinnanäärmete skaneerimisel pahaloomuliste ja healoomuliste kahjustuste eristamiseks. Huvitav on see, et nad püüdsid seda saavutada algoritmi koolitamise abil, kasutades sünteetilisi andmeid, mitte ehtsaid skaneeringuid.
Sünteetilised andmed
Küsimusele, miks meeskond kasutas sünteetilisi andmeid, ütleb juhtiv autor prof Assad Oberai, et see tuleneb reaalsete andmete kättesaadavusest. Ta selgitab, et „meditsiinilise pildistamise puhul on teil õnne, kui teil on 1000 pilti. Sellistes olukordades, kus andmeid on vähe, muutuvad sellised tehnikad oluliseks. "
Teadlased koolitasid oma masinõppe algoritmi, mida nad nimetavad sügavaks konvolutsiooniliseks närvivõrguks, kasutades rohkem kui 12 000 sünteetilist pilti.
Protsessi lõpuks oli algoritm sünteetiliste piltide puhul 100% täpne; järgmisena liikusid nad tegelike elude skannimisega. Neil oli juurdepääs vaid kümnele skannimisele: pooltel neist olid pahaloomulised kahjustused ja teisel poolel healoomulised kahjustused.
„Täpsuse määr oli meil umbes 80%. Järgmisena jätkame algoritmi täpsustamist, kasutades sisenditena rohkem reaalse maailma pilte. "
Prof Assad Oberai
Kuigi 80% on hea, ei ole see piisavalt hea - siiski on see alles protsessi algus. Autorid usuvad, et kui nad oleksid algoritmi koolitanud tegelike andmete põhjal, oleks see võinud näidata täpsust. Teadlased tunnistavad ka seda, et nende test oli süsteemi tulevaste võimete ennustamiseks liiga väike.
Tehisintellekti kasv
Viimastel aastatel on huvi AI diagnoosimise vastu kasvanud. Nagu kirjutab üks autor:
"Tehisintellekti rakendatakse edukalt pildianalüüsiks radioloogias, patoloogias ja dermatoloogias, kusjuures meditsiiniekspertide diagnostiline kiirus ületab täpsust."
Prof Oberai ei usu siiski, et tehisintellekt võib kunagi asendada väljaõppinud inimoperaatorit. Ta selgitab, et „[üldine üksmeel] on seda tüüpi algoritmidel oluline roll, sealhulgas pilditöötlemise spetsialistide poolt, keda see kõige enam mõjutab. Need algoritmid on kõige kasulikumad siis, kui neid ei kasutata mustade kastidena. Mida see nägi, mis viis selle lõpliku järelduseni? Algoritm peab olema seletatav, et see töötaks ettenähtud viisil. "
Teadlased loodavad, et nad saavad laiendada oma uut meetodit muud tüüpi vähi diagnoosimiseks. Kus kasvaja kasvab, see muudab koe füüsilist käitumist. Neid erinevusi peaks olema võimalik kaardistada ja nende tuvastamiseks koolitada algoritmi.
Kuna aga iga vähitüüp suhtleb ümbritsevaga nii erinevalt, tuleb algoritmil ületada terve rida probleeme. Juba töötab prof Oberai neeruvähi kompuutertomograafiaga, et leida võimalusi, kuidas tehisintellekt saaks seal diagnoosi aidata.
Ehkki need on vähi diagnoosimisel tehisintellekti kasutamise algusajad, on tuleviku lootused suured.
