Rádiológovia budú môcť v blízkej budúcnosti využívať umelú inteligenciu na detekciu mozgových nádorov

Článok s názvom „Hlboké učenie a transferové učenie pre detekciu a klasifikáciu mozgových nádorov“ publikovaný v časopise Biology Methods and Protocols uvádza, že vedci dokážu trénovať modely umelej inteligencie (AI) na rozlíšenie medzi mozgovými nádormi a zdravým tkanivom. Modely AI už dokážu detekovať mozgové nádory na snímkach MRI takmer rovnako dobre ako ľudský rádiológ.

Výskumníci dosahujú stabilný pokrok v aplikácii umelej inteligencie v medicíne. Umelá inteligencia je obzvlášť sľubná v rádiológii, kde čakanie na spracovanie lekárskych snímok technikmi môže oddialiť liečbu pacienta. Konvolučné neurónové siete sú výkonné nástroje, ktoré umožňujú výskumníkom trénovať modely umelej inteligencie na veľkých súboroch snímok za účelom rozpoznávania a klasifikácie.

Týmto spôsobom sa siete môžu „naučiť“ rozlišovať medzi obrázkami. Majú tiež schopnosť „prenášať učenie“. Vedci môžu opätovne použiť model natrénovaný pre jednu úlohu pre nový, ale súvisiaci projekt.

Hoci detekcia maskovaných zvierat a klasifikácia mozgových nádorov zahŕňajú veľmi odlišné typy snímok, výskumníci naznačili, že existuje paralela medzi zvieraťom skrývajúcim sa vďaka prirodzenej kamufláži a skupinou rakovinových buniek, ktoré sa spájajú s okolitým zdravým tkanivom.

Naučený proces zovšeobecnenia – zoskupovania rôznych objektov pod jedným identifikátorom – je dôležitý pre pochopenie toho, ako sieť dokáže detekovať maskované objekty. Takéto učenie by mohlo byť obzvlášť užitočné pri detekcii nádorov.

V tejto retrospektívnej štúdii verejne dostupných údajov z magnetickej rezonancie výskumníci skúmali, ako by sa modely neurónových sietí mohli trénovať na údajoch o rakovine mozgu, pričom zaviedli jedinečný krok prenosového učenia na detekciu maskovaných zvierat s cieľom zlepšiť schopnosti siete detekovať nádory.

Pomocou magnetickej rezonancie z verejne dostupných online zdrojov údajov o rakovine a kontrolných snímok zdravých mozgov (vrátane Kaggle, archívu snímok rakoviny NIH a systému VA Health System v Bostone) výskumníci vyškolili siete na rozlišovanie medzi zdravými a rakovinovými magnetickými rezonanciami, identifikáciu oblasti postihnutej rakovinou a prototypického vzhľadu rakoviny (typ rakovinového nádoru).

Výskumníci zistili, že siete boli takmer dokonalé pri identifikácii normálnych snímok mozgu s iba jedným alebo dvoma falošne negatívnymi výsledkami a pri rozlišovaní medzi rakovinovým a zdravým mozgom. Prvá sieť vykazovala priemernú presnosť 85,99 % pri detekcii rakoviny mozgu, zatiaľ čo druhá mala presnosť 83,85 %.

Kľúčovou vlastnosťou siete je viacero spôsobov, akými možno vysvetliť jej rozhodnutia, čo zvyšuje dôveru v modely zo strany zdravotníckych pracovníkov a pacientov. Hlboké modely často nie sú dostatočne transparentné a s rozvojom tejto oblasti sa schopnosť vysvetliť rozhodnutia sietí stáva dôležitou.

Vďaka tomuto výskumu teraz sieť dokáže generovať snímky, ktoré zobrazujú špecifické oblasti v klasifikácii nádoru ako pozitívneho alebo negatívneho. To umožní rádiológom porovnať svoje rozhodnutia s výsledkami siete, čím sa zvýši istota, akoby v blízkosti bol druhý „robotický“ rádiológ ukazujúci na oblasť MRI, ktorá indikuje nádor.

V budúcnosti sa výskumníci domnievajú, že bude dôležité zamerať sa na vytváranie hlbokých sieťových modelov, ktorých rozhodnutia je možné opísať intuitívnym spôsobom, aby umelá inteligencia mohla zohrávať transparentnú podpornú úlohu v klinickej praxi.

Hoci siete mali vo všetkých prípadoch problém rozlišovať medzi typmi nádorov na mozgu, bolo jasné, že medzi nimi existovali vnútorné rozdiely v spôsobe, akým boli dáta v sieti reprezentované. Presnosť a jasnosť sa zlepšili, keď boli siete trénované na rozpoznávanie kamufláže. Transferové učenie viedlo k zvýšenej presnosti.

Hoci najlepší testovaný model bol o 6 % menej presný ako štandardná ľudská detekcia, štúdia úspešne demonštruje kvantitatívne zlepšenie dosiahnuté prostredníctvom tejto paradigmy učenia. Výskumníci sa domnievajú, že táto paradigma spolu s komplexným uplatňovaním metód vysvetliteľnosti pomôže priniesť potrebnú transparentnosť do budúceho klinického výskumu umelej inteligencie.

„Pokroky v umelej inteligencii umožňujú presnejšie odhaľovať a rozpoznávať vzory,“ povedal hlavný autor článku Arash Yazdanbakhsh.

„Toto následne zlepšuje diagnostiku a skríning na základe zobrazovania, ale vyžaduje si to aj viac vysvetlení o tom, ako umelá inteligencia vykonáva úlohu. Snaha o vysvetliteľnosť umelej inteligencie vo všeobecnosti zlepšuje interakcie medzi človekom a umelou inteligenciou. Toto je obzvlášť dôležité medzi zdravotníckymi pracovníkmi a umelou inteligenciou určenou na lekárske účely.“

„Jasné a vysvetliteľné modely sú vhodnejšie na pomoc pri diagnostike, sledovaní progresie ochorenia a monitorovaní liečby.“