Mohla by byť umelá inteligencia budúcnosťou diagnostiky rakoviny?
V nedávnej štúdii vedci trénovali algoritmus na rozlíšenie medzi malígnymi a benígnymi léziami pri skenovaní prsného tkaniva.
Pri rakovine je kľúčom k úspešnej liečbe jej včasné podchytenie.
V súčasnej podobe majú lekári prístup k vysokokvalitnému zobrazovaniu a kvalifikovaní rádiológovia dokážu spozorovať zjavné príznaky abnormálneho rastu.
Po identifikácii je ďalším krokom, aby lekári zistili, či je rast benígny alebo malígny.
Najspoľahlivejšou metódou je biopsia, čo je invazívny postup.
Aj vtedy sa môžu vyskytnúť chyby. Niektorým ľuďom je diagnostikovaná rakovina, keď nejestvuje choroba, zatiaľ čo iným nie je diagnostikovaná rakovina.
Oba výsledky spôsobujú strach a druhá uvedená situácia môže spôsobiť oneskorenie liečby.
Vedci sa snažia vylepšiť diagnostický proces, aby sa týmto problémom predišlo. Zistenie, či je lézia malígna alebo benígna spoľahlivejšie a bez potreby biopsie, by zmenilo hru.
Niektorí vedci skúmajú potenciál umelej inteligencie (AI). V nedávnej štúdii vedci vycvičili algoritmus s povzbudivými výsledkami.
AI a elastografia
Ultrazvuková elastografia je relatívne nová diagnostická technika, ktorá testuje stuhnutosť prsného tkaniva. Dosahuje to vibrovaním tkaniva, ktoré vytvára vlnu. Táto vlna spôsobuje skreslenie ultrazvukového skenovania, zvýraznenie oblastí prsníka, kde sa vlastnosti líšia od okolitého tkaniva.
Z týchto informácií je možné, aby lekár určil, či je lézia rakovinová alebo benígna.
Aj keď má táto metóda veľký potenciál, analýza výsledkov elastografie je časovo náročná, zahŕňa niekoľko krokov a vyžaduje riešenie zložitých problémov.
Nedávno sa skupina vedcov z Viterbi School of Engineering na University of Southern California v Los Angeles pýtala, či by algoritmus mohol znížiť počet krokov potrebných na čerpanie informácií z týchto obrázkov. Ich výsledky zverejnili v časopise Počítačové metódy v aplikovanej mechanike a strojárstve.
Vedci chceli zistiť, či dokážu natrénovať algoritmus na rozlíšenie medzi malígnymi a benígnymi léziami pri skenovaní prsníkov. Je zaujímavé, že sa to pokúsili dosiahnuť trénovaním algoritmu pomocou syntetických dát namiesto originálnych skenov.
Syntetické údaje
Na otázku, prečo tím použil syntetické údaje, hlavný autor profesor Assad Oberai hovorí, že záleží na dostupnosti údajov z reálneho sveta. Vysvetľuje, že „v prípade medicínskeho zobrazovania máte šťastie, ak máte 1 000 obrázkov. V takýchto situáciách, keď je údajov málo, sa tieto druhy techník stanú dôležitými. “
Vedci vycvičili svoj algoritmus strojového učenia, ktorý nazývajú hlboká konvolučná neurónová sieť, pomocou viac ako 12 000 syntetických obrázkov.
Na konci procesu bol algoritmus na syntetických obrázkoch stopercentne presný; potom prešli na skenovanie z reálneho života. Mali prístup iba k 10 skenom: polovica z nich vykazovala malígne lézie a druhá polovica zobrazovala benígne lézie.
"Mali sme asi 80% presnosť." Ďalej pokračujeme v zdokonaľovaní algoritmu tak, že ako vstupy použijeme viac obrazov z reálneho sveta. “
Assad Oberai
Aj keď 80% je dobrých, nie je dosť dobrých - je to však iba začiatok procesu. Autori sa domnievajú, že keby algoritmus trénovali na skutočných dátach, mohlo by sa preukázať, že by sa zlepšila jeho presnosť. Vedci tiež uznávajú, že ich test bol príliš malý na to, aby sa dalo predpovedať budúce schopnosti systému.
Rast AI
V posledných rokoch rastie záujem o využitie AI v diagnostike. Ako píše jeden autor:
„AI sa úspešne aplikuje na analýzu obrazu v rádiológii, patológii a dermatológii s prekročením diagnostickej rýchlosti a paralelnosti presnosti u lekárskych odborníkov.“
Prof. Oberai však neverí, že AI môže niekedy nahradiť trénovaného ľudského operátora. Vysvetľuje, že „Všeobecný konsenzus spočíva v tom, že tieto typy algoritmov majú dôležitú úlohu, a to aj od odborníkov v oblasti zobrazovania, na ktorých bude mať najväčší vplyv. Tieto algoritmy však budú najužitočnejšie, ak neslúžia ako čierne skrinky. Čo videlo, že to viedlo k konečnému záveru? Algoritmus musí byť vysvetliteľný, aby fungoval podľa očakávania. “
Vedci dúfajú, že môžu rozšíriť svoju novú metódu na diagnostiku iných typov rakoviny. Kdekoľvek nádor rastie, mení to, ako sa tkanivo správa, fyzicky. Malo by byť možné mapovať tieto rozdiely a trénovať algoritmus na ich zistenie.
Pretože však každý typ rakoviny interaguje s okolím tak rozdielne, bude potrebné, aby algoritmus prekonal celý rad problémov pre každý typ rakoviny. Profesor Oberai už pracuje na CT vyšetrení na rakovinu obličiek, aby našiel spôsoby, ako by tam mohla AI pomôcť diagnostikovať.
Aj keď sú v začiatkoch využívania AI pri diagnostike rakoviny veľké nádeje do budúcnosti.
