Да ли би вештачка интелигенција могла бити будућност дијагнозе рака?
У недавној студији, истраживачи су обучили алгоритам за разликовање малигних и бенигних лезија у снимцима ткива дојке.
Код карцинома је кључ успешног лечења рано хватање.
Док постоје, лекари имају приступ висококвалитетним сликама, а искусни радиолози могу уочити знаковите знаке абнормалног раста.
Једном идентификовани, следећи корак је да лекари утврде да ли је израслина бенигна или малигна.
Најпоузданија метода је узимање биопсије, што је инвазивни поступак.
Чак и тада могу доћи до грешака. Неки људи добију дијагнозу рака тамо где нема болести, док други не добију дијагнозу када је рак присутан.
Оба исхода узрокују узнемиреност, а последња ситуација може проузроковати кашњење у лечењу.
Истраживачи желе да побољшају дијагностички процес како би избегли ове проблеме. Откривање да ли је лезија малигна или бенигна поузданије и без потребе за биопсијом променило би игру.
Неки научници истражују потенцијал вештачке интелигенције (АИ). У недавној студији научници су обучили алгоритам са охрабрујућим резултатима.
АИ и еластографија
Ултразвучна еластографија је релативно нова дијагностичка техника којом се испитује крутост ткива дојке. То постиже вибрирањем ткива, што ствара талас. Овај талас узрокује изобличење ултразвучног прегледа, истичући подручја дојке на којима се особине разликују од околног ткива.
На основу ових података лекар може да утврди да ли је лезија канцерогена или бенигна.
Иако овај метод има велики потенцијал, анализа резултата еластографије одузима пуно времена, укључује неколико корака и захтева решавање сложених проблема.
Недавно је група истраживача са Витерби Сцхоол оф Енгинееринг на Универзитету Јужне Калифорније у Лос Анђелесу поставила питање да ли алгоритам може смањити кораке потребне за цртање информација са ових слика. Своје резултате су објавили у часопису Рачунарске методе у примењеној механици и инжењерству.
Истраживачи су желели да виде да ли могу да обуче алгоритам за разликовање малигних и бенигних лезија у снимцима дојке. Занимљиво је да су то покушали постићи тренирајући алгоритам користећи синтетичке податке уместо истинских скенирања.
Синтетички подаци
На питање зашто је тим користио синтетичке податке, водећи аутор проф. Ассад Обераи каже да се то своди на доступност података из стварног света. Објашњава да „у случају медицинског снимања имате среће ако имате 1.000 слика. У оваквим ситуацијама, када је података мало, ове врсте техника постају важне. “
Истраживачи су обучили свој алгоритам машинског учења, који називају дубоком конволуционом неуронском мрежом, користећи више од 12.000 синтетичких слика.
На крају процеса алгоритам је био 100% прецизан на синтетичким сликама; затим су прешли на скенирања у стварном животу. Имали су приступ само 10 скенирања: од којих је половина показала малигне лезије, а друга половина бенигне лезије.
„Имали смо око 80% тачности. Даље, настављамо да усавршавамо алгоритам користећи више слика из стварног света као улазе. “
Проф. Ассад Обераи
Иако је 80% добрих, није довољно - међутим, ово је тек почетак процеса. Аутори верују да би, ако су алгоритам обучили на стварним подацима, могао показати побољшану тачност. Истраживачи такође признају да је њихов тест био премали да би могао предвидети будуће могућности система.
Раст АИ
Последњих година расте интересовање за употребу АИ у дијагностици. Као што један аутор пише:
„АИ се успешно примењује за анализу слика у радиологији, патологији и дерматологији, са прекорачењем дијагностичке брзине и паралелном прецизношћу медицинских стручњака.“
Међутим, професор Обераи не верује да уметничка интелигенција икада може заменити обученог људског оператера. Објашњава да „[општи консензус је да ове врсте алгоритама имају значајну улогу, укључујући и стручњаке за обраду слика, на које ће то највише утицати. Међутим, ови алгоритми ће бити најкориснији када не служе као црни оквири. Шта је то видело што је довело до коначног закључка? Алгоритам мора бити објашњив да би могао да функционише како је предвиђено. “
Истраживачи се надају да могу проширити своју нову методу за дијагнозу других врста карцинома. Где год тумор расте, он мења физичко понашање ткива. Требало би бити могуће зацртати ове разлике и обучити алгоритам за њихово уочавање.
Међутим, пошто свака врста рака тако различито комуницира са околином, алгоритам ће морати да превазиђе читав низ проблема за сваку врсту. Професор Обераи већ ради на ЦТ скенирању рака бубрега како би пронашао начине на које би АИ могао да помогне тамошњој дијагнози.
Иако су ово рани дани за употребу АИ у дијагнози рака, велике су наде у будућност.
