Ar dirbtinis intelektas gali būti vėžio diagnozės ateitis?
Neseniai atlikto tyrimo metu mokslininkai išmokė algoritmą, skirtą atskirti piktybinius ir gerybinius pakitimus atliekant krūtų audinio nuskaitymą.
Sergant vėžiu, sėkmingo gydymo raktas yra ankstyvas jo pasisavinimas.
Šiuo metu gydytojai gali naudotis aukštos kokybės vaizdais, o kvalifikuoti radiologai gali pastebėti nenormalaus augimo indikatorius.
Nustačius, kitas žingsnis turi būti gydytojų įsitikinimas, ar augimas yra gerybinis, ar piktybinis.
Patikimiausias metodas yra biopsijos atlikimas, tai yra invazinė procedūra.
Net tada gali atsirasti klaidų. Kai kurie žmonės diagnozuoja vėžį ten, kur nėra ligos, o kiti negauna diagnozės, kai yra vėžys.
Abu rezultatai sukelia nerimą, o dėl pastarosios situacijos gydymas gali vėluoti.
Mokslininkai nori patobulinti diagnostikos procesą, kad išvengtų šių problemų. Patikimiau ir nereikalaujant biopsijos nustatyti, ar pažeidimas yra piktybinis, ar gerybinis, būtų galima pakeisti žaidimą.
Kai kurie mokslininkai tiria dirbtinio intelekto (AI) galimybes. Neseniai atliktame tyrime mokslininkai išmokė algoritmo su vilčių teikiančiais rezultatais.
AI ir elastografija
Ultragarso elastografija yra gana nauja diagnostikos technika, kuri tikrina krūties audinio standumą. Tai pasiekiama vibruojant audinį, kuris sukuria bangą. Ši banga sukelia ultragarso nuskaitymo iškraipymą, išryškindama krūties vietas, kuriose savybės skiriasi nuo aplinkinių audinių.
Iš šios informacijos gydytojas gali nustatyti, ar pažeidimas yra vėžinis, ar gerybinis.
Nors šis metodas turi didelį potencialą, analizuoti elastografijos rezultatus yra daug laiko reikalaujantis, apimantis kelis veiksmus ir reikalaujantis išspręsti sudėtingas problemas.
Neseniai mokslininkų grupė iš Viterbi inžinerijos mokyklos iš Pietų Kalifornijos universiteto Los Andžele paklausė, ar algoritmas galėtų sumažinti veiksmus, reikalingus norint gauti informaciją iš šių vaizdų. Jie paskelbė savo rezultatus žurnale Kompiuteriniai metodai taikomojoje mechanikoje ir inžinerijoje.
Mokslininkai norėjo sužinoti, ar jie galėtų išmokyti algoritmą atskirti piktybinius ir gerybinius pakitimus atliekant krūtų tyrimus. Įdomu tai, kad jie bandė tai pasiekti mokydami algoritmą naudoti sintetinius duomenis, o ne tikrus nuskaitymus.
Sintetiniai duomenys
Paklaustas, kodėl komanda naudojo sintetinius duomenis, pagrindinis autorius prof. Assadas Oberai sako, kad tai susiję su realių duomenų prieinamumu. Jis paaiškina, kad „medicininio vaizdavimo atveju jums pasisekė, jei turite 1000 vaizdų. Tokiose situacijose, kai trūksta duomenų, tokios technikos tampa svarbios “.
Tyrėjai išmokė savo mašininio mokymosi algoritmą, kurį jie vadina giliu konvoliuciniu neuroniniu tinklu, naudodami daugiau nei 12 000 sintetinių vaizdų.
Proceso pabaigoje sintetinių vaizdų algoritmas buvo 100% tikslus; po to jie persikėlė į tikrojo gyvenimo nuskaitymus. Jie turėjo galimybę atlikti tik 10 nuskaitymų: pusė jų parodė piktybinius pažeidimus, kita pusė - gerybinius pažeidimus.
„Mes turėjome apie 80% tikslumo rodiklį. Tada mes toliau tobuliname algoritmą, naudodami daugiau realaus pasaulio vaizdų kaip įvestį “.
Prof. Assadas Oberai
Nors 80% yra gerai, jis nėra pakankamai geras, tačiau tai tik proceso pradžia. Autoriai mano, kad jei jie būtų išmokę algoritmą naudoti tikrus duomenis, tai galėjo parodyti geresnį tikslumą. Tyrėjai taip pat pripažįsta, kad jų testas buvo per mažas, kad būtų galima numatyti sistemos galimybes ateityje.
PG augimas
Pastaraisiais metais vis labiau domimasi AI taikymu diagnostikoje. Kaip rašo vienas autorius:
"AI sėkmingai taikoma vaizdų analizei radiologijoje, patologijoje ir dermatologijoje, kai diagnostikos greitis viršija tikslumą ir medicinos ekspertai lygiagrečiai."
Tačiau prof. Oberai nemano, kad dirbtinis intelektas kada nors gali pakeisti apmokytą žmogų. Jis paaiškina, kad „bendras sutarimas yra tai, kad šių tipų algoritmai turi atlikti svarbų vaidmenį, įskaitant vaizdo specialistų, kuriems tai turės didžiausią įtaką, vaidmenį. Tačiau šie algoritmai bus naudingiausi, kai jie nebus naudojami kaip juodosios dėžės. Ką jis pamatė, kad tai padarė galutinę išvadą? Algoritmas turi būti paaiškinamas, kad jis veiktų kaip numatyta “.
Tyrėjai tikisi, kad jie galės išplėsti savo naują metodą kitų rūšių vėžiui diagnozuoti. Kur auglys auga, jis keičia tai, kaip audinys elgiasi fiziškai. Turėtų būti įmanoma suskaičiuoti šiuos skirtumus ir išmokyti algoritmą juos pastebėti.
Tačiau kadangi kiekviena vėžio rūšis taip skirtingai sąveikauja su aplinka, algoritmas turės įveikti daugybę kiekvieno tipo problemų. Prof. Oberai jau dirba su inkstų vėžio kompiuterinėmis tomografijomis, norėdamas rasti būdų, kaip AI galėtų padėti diagnozuoti.
Nors tai yra ankstyvieji dirbtinio intelekto naudojimo vėžio diagnostikoje laikai, labai tikimasi ateities.
