A radiológusok a közeljövőben képesek lesznek a mesterséges intelligencia segítségével felismerni az agydaganatokat

A Biology Methods and Protocols folyóiratban megjelent „Mély tanulás és transzfer tanulás az agydaganatok felismeréséhez és osztályozásához” című tanulmány szerint a tudósok képesek betanítani a mesterséges intelligencia (MI) modelleket az agydaganatok és az egészséges szövetek megkülönböztetésére. Az MI-modellek már most is majdnem olyan jól képesek kimutatni az agydaganatokat az MRI-képeken, mint egy emberi radiológus.

A kutatók folyamatos előrelépést értek el a mesterséges intelligencia orvostudományi alkalmazásában. A mesterséges intelligencia különösen ígéretes a radiológiában, ahol a technikusokra várni az orvosi képek feldolgozása késleltetheti a betegek ellátását. A konvolúciós neurális hálózatok hatékony eszközök, amelyek lehetővé teszik a kutatók számára, hogy mesterséges intelligencia modelleket képezzenek nagyméretű képkészleteken a felismerés és az osztályozás érdekében.

Ily módon a hálózatok „megtanulhatják” a képek megkülönböztetését. Képesek a „tanulás átadására” is. A tudósok egy adott feladatra betanított modellt újra felhasználhatnak egy új, de kapcsolódó projekthez.

Bár az álcázott állatok felismerése és az agydaganatok osztályozása nagyon eltérő típusú képeket igényel, a kutatók azt sugallták, hogy párhuzam vonható egy természetes álcázásnak köszönhetően elrejtőző állat és egy környező egészséges szövetbe olvadó rákos sejtcsoport között.

Az általánosítás tanult folyamata – a különböző objektumok egyetlen azonosító alá csoportosítása – fontos annak megértéséhez, hogy a hálózat hogyan képes álcázott objektumokat észlelni. Ez a tanulás különösen hasznos lehet a daganatok kimutatásában.

Ebben a nyilvánosan elérhető MRI-adatok retrospektív vizsgálatában a kutatók azt vizsgálták, hogyan lehet a neurális hálózati modelleket agydaganat-adatokon betanítani, bevezetve egy egyedi transzfer-tanulási lépést az álcázott állatok észlelésére, hogy javítsák a hálózat daganatészlelési képességeit.

Nyilvánosan elérhető online rákos adatforrásokból származó MRI-felvételek és egészséges agyak kontrollképeinek (beleértve a Kaggle-t, az NIH Cancer Image Archive-ot és a bostoni VA Health System-et) felhasználásával a kutatók hálózatokat képeztek ki az egészséges és a rákos MRI-felvételek megkülönböztetésére, a rákkal érintett terület azonosítására és a rák prototipikus megjelenésére (rákos daganat típusa).

A kutatók azt találták, hogy a hálózatok szinte tökéletesen azonosították a normál agyi képeket, mindössze egy vagy két álnegatív eredményt adva, és különbséget tettek a rákos és az egészséges agyak között. Az első hálózat átlagosan 85,99%-os pontosságot mutatott az agydaganatok kimutatásában, míg a második 83,85%-os pontossággal.

A hálózat egyik kulcsfontosságú jellemzője, hogy döntései többféleképpen magyarázhatók, ami növeli az egészségügyi szakemberek és a betegek bizalmát a modellekben. A mély modellek gyakran nem elég átláthatóak, és ahogy a terület fejlődik, a hálózatok döntéseinek magyarázatának képessége egyre fontosabbá válik.

Ennek a kutatásnak köszönhetően a hálózat mostantól olyan képeket tud generálni, amelyek a daganat osztályozásának meghatározott területeit pozitívként vagy negatívként mutatják. Ez lehetővé teszi a radiológusok számára, hogy döntéseiket a hálózat eredményeivel összeveessék, ami magabiztosabbá teszi a vizsgálatot, mintha egy második „robot” radiológus lenne a közelben, aki az MRI daganatot jelző területére mutatna.

A kutatók úgy vélik, hogy a jövőben fontos lesz olyan mély hálózati modellek létrehozására összpontosítani, amelyek döntései intuitív módon leírhatók, hogy a mesterséges intelligencia átlátható támogató szerepet játszhasson a klinikai gyakorlatban.

Bár a hálózatoknak minden esetben nehézséget okozott az agydaganatok típusainak megkülönböztetése, egyértelmű volt, hogy belső különbségek mutatkoztak abban, hogyan jelenítették meg az adatokat a hálózaton belül. A pontosság és az érthetőség javult, ahogy a hálózatokat betanították az álcázás felismerésére. A transzfertanulás a pontosság növekedéséhez vezetett.

Bár a tesztelt legjobb modell 6%-kal kevésbé volt pontos, mint a standard emberi detektálás, a tanulmány sikeresen demonstrálja a tanulási paradigma révén elért mennyiségi javulást. A kutatók úgy vélik, hogy ez a paradigma, a magyarázhatósági módszerek átfogó alkalmazásával párosulva, segíteni fog a szükséges átláthatóság megteremtésében a jövőbeli klinikai mesterséges intelligencia-kutatásokban.

„A mesterséges intelligencia fejlődése lehetővé teszi a mintázatok pontosabb észlelését és felismerését” – mondta a tanulmány vezető szerzője, Arash Yazdanbakhsh.

„Ez viszont javítja a képalapú diagnosztikát és szűrést, de több magyarázatot is igényel arról, hogy a mesterséges intelligencia hogyan hajt végre egy feladatot. A mesterséges intelligencia magyarázhatóságára irányuló törekvés általánosságban javítja az ember és a mesterséges intelligencia közötti interakciókat. Ez különösen fontos az egészségügyi szakemberek és az orvosi célokra tervezett mesterséges intelligencia között.”

"A világos és magyarázható modellek jobban alkalmasak a diagnózis felállítására, a betegség progressziójának nyomon követésére és a kezelés monitorozására."