Bi li umjetna inteligencija mogla biti budućnost dijagnoze raka?
U nedavnom istraživanju istraživači su obučili algoritam za razlikovanje malignih i benignih lezija u snimkama tkiva dojke.
Kod raka je ključ uspješnog liječenja rano uhvatiti ga.
Dok postoje, liječnici imaju pristup visokokvalitetnim slikama, a vješti radiolozi mogu uočiti znakove abnormalnog rasta.
Jednom identificirani, sljedeći korak je da liječnici utvrde je li izraslina benigna ili zloćudna.
Najpouzdanija metoda je uzimanje biopsije, što je invazivni postupak.
Čak i tada mogu se pojaviti pogreške. Neki ljudi dobiju dijagnozu raka tamo gdje nema bolesti, dok drugi ne dobivaju dijagnozu kada je rak prisutan.
Oba ishoda uzrokuju nevolju, a potonja situacija može uzrokovati odgodu liječenja.
Istraživači žele poboljšati dijagnostički postupak kako bi izbjegli ove probleme. Pouzdano otkrivanje je li lezija zloćudna ili benigna i bez potrebe za biopsijom promijenilo bi igru.
Neki znanstvenici istražuju potencijal umjetne inteligencije (AI). U nedavnom istraživanju znanstvenici su uvježbali algoritam s ohrabrujućim rezultatima.
AI i elastografija
Ultrazvučna elastografija relativno je nova dijagnostička tehnika kojom se ispituje ukočenost tkiva dojke. To postiže vibrirajući tkivo, što stvara val. Ovaj val uzrokuje izobličenja na ultrazvučnom snimanju, ističući područja dojke gdje se svojstva razlikuju od okolnog tkiva.
Iz ovih podataka moguće je da liječnik utvrdi je li lezija kancerogena ili benigna.
Iako ova metoda ima velik potencijal, analiza rezultata elastografije dugotrajna je, uključuje nekoliko koraka i zahtijeva rješavanje složenih problema.
Nedavno je skupina istraživača s Viterbi School of Engineering na Sveučilištu Južne Kalifornije u Los Angelesu pitala može li algoritam smanjiti korake potrebne za crtanje informacija iz ovih slika. Svoje rezultate objavili su u časopisu Računalne metode u primijenjenoj mehanici i inženjerstvu.
Znanstvenici su željeli vidjeti mogu li osposobiti algoritam za razlikovanje malignih i benignih lezija u snimkama dojke. Zanimljivo je da su to pokušali postići trenirajući algoritam koristeći sintetičke podatke umjesto istinskih skeniranja.
Sintetski podaci
Na pitanje zašto je tim koristio sintetičke podatke, glavni autor prof. Assad Oberai kaže da se to svodi na dostupnost podataka iz stvarnog svijeta. Objašnjava da „u slučaju medicinske slike imate sreće ako imate 1.000 slika. U ovakvim situacijama, gdje je podataka malo, ove vrste tehnika postaju važne. "
Istraživači su obučili svoj algoritam strojnog učenja, koji nazivaju dubokom konvolucijskom neuronskom mrežom, koristeći više od 12 000 sintetičkih slika.
Na kraju postupka algoritam je bio 100% točan na sintetičkim slikama; zatim su prešli na stvarni životni sken. Imali su pristup samo 10 snimaka: od kojih je polovica pokazala maligne lezije, a druga polovica slikala je benigne lezije.
„Imali smo oko 80% stope točnosti. Dalje, nastavljamo usavršavati algoritam koristeći više slika iz stvarnog svijeta kao ulaze. "
Prof. Assad Oberai
Iako je 80% dobrih, nije dovoljno dobrih - međutim, ovo je tek početak postupka. Autori vjeruju da bi, ako su algoritam uvježbavali na stvarnim podacima, mogao pokazati poboljšanu točnost. Istraživači također priznaju da je njihov test bio premalog opsega da bi mogao predvidjeti buduće mogućnosti sustava.
Rast AI
Posljednjih godina raste interes za upotrebu AI u dijagnostici. Kao što jedan autor piše:
"AI se uspješno primjenjuje za analizu slike u radiologiji, patologiji i dermatologiji, s dijagnostičkom brzinom koja prelazi medicinsku stručnost i uspoređuje s točnošću."
Međutim, profesor Oberai ne vjeruje da AI ikad može zamijeniti obučenog ljudskog operatera. Objašnjava da „[opći konsenzus jest da ove vrste algoritama imaju značajnu ulogu, uključujući i stručnjake za obradu slika na koga će najviše utjecati. Međutim, ti će algoritmi biti najkorisniji kada ne služe kao crni okviri. Što je vidjelo što je dovelo do konačnog zaključka? Algoritam mora biti objašnjiv da bi mogao raditi kako je predviđeno. "
Istraživači se nadaju da će moći proširiti svoju novu metodu za dijagnosticiranje drugih vrsta raka. Gdje god tumor raste, on mijenja fizičko ponašanje tkiva. Trebalo bi biti moguće utvrditi te razlike i uvježbati algoritam za njihovo uočavanje.
Međutim, budući da svaka vrsta raka toliko različito komunicira sa svojom okolinom, algoritam će trebati prevladati niz problema za svaku vrstu. Profesor Oberai već radi na CT skeniranju raka bubrega kako bi pronašao načine na koje bi AI mogao tamo pomoći u dijagnozi.
Iako su ovo rani dani za upotrebu AI u dijagnozi raka, velike su nade u budućnost.
