A mesterséges intelligencia lehet a rák diagnózisának jövője?
Egy nemrégiben készült kutatás során a kutatók egy algoritmust képeztek ki a rosszindulatú és jóindulatú elváltozások megkülönböztetésére az emlőszövet vizsgálata során.
A rák esetében a sikeres kezelés kulcsa a korai elkapás.
Jelenleg az orvosok kiváló minőségű képalkotáshoz férnek hozzá, és képzett radiológusok észrevehetik a kóros növekedés árulkodó jeleit.
Miután azonosították, a következő lépés az orvosok számára, hogy meggyőződjenek arról, hogy a növekedés jóindulatú vagy rosszindulatú-e.
A legmegbízhatóbb módszer a biopszia felvétele, amely invazív eljárás.
Ekkor is előfordulhatnak hibák. Vannak, akiknél rákos diagnózist kapnak, ahol nincs betegség, míg mások nem kapnak diagnózist, ha rák van jelen.
Mindkét eredmény szorongást okoz, utóbbi helyzet pedig késleltetheti a kezelést.
A kutatók szívesen fejlesztik a diagnosztikai folyamatot, hogy elkerüljék ezeket a kérdéseket. Játékváltó lenne annak megállapítása, hogy egy elváltozás rosszindulatúbb vagy jóindulatúbb-e és biopszia nélkül.
Egyes tudósok a mesterséges intelligencia (AI) lehetőségeit vizsgálják. Egy nemrégiben készült tanulmányban a tudósok bíztató eredménnyel képeztek ki egy algoritmust.
AI és elasztográfia
Az ultrahangos elasztográfia egy viszonylag új diagnosztikai technika, amely teszteli a mellszövet merevségét. Ezt úgy éri el, hogy rezeg a szövet, amely hullámot hoz létre. Ez a hullám torzulást okoz az ultrahangvizsgálaton, kiemelve a mell azon területeit, ahol a tulajdonságok eltérnek a környező szövetektől.
Ezen információk alapján az orvos megállapíthatja, hogy az elváltozás rákos vagy jóindulatú.
Bár ennek a módszernek nagy lehetőségei vannak, az elasztográfia eredményeinek elemzése időigényes, több lépést igényel, és összetett problémák megoldását igényli.
A közelmúltban a Los Angeles-i Dél-Kaliforniai Egyetem Viterbi Mérnöki Iskolájának kutatócsoportja megkérdezte, vajon egy algoritmus csökkentheti-e azokat a lépéseket, amelyek szükségesek ahhoz, hogy információk származzanak ezekből a képekből. Eredményeiket a folyóiratban tették közzé Számítógépes módszerek az alkalmazott mechanikában és mérnöki munkában.
A kutatók azt akarták megtudni, hogy képezhetnek-e algoritmust a rosszindulatú és jóindulatú elváltozások megkülönböztetésére az emlővizsgálatok során. Érdekes módon ezt úgy próbálták elérni, hogy eredeti algoritmusokat szintetikus adatok felhasználásával, nem pedig eredeti beolvasásokkal képeztek ki.
Szintetikus adatok
Arra a kérdésre, hogy miért használta a csapat a szintetikus adatokat, Prof. Assad Oberai vezető szerző szerint a valós adatok elérhetőségéről van szó. Kifejti, hogy „orvosi képalkotás esetén szerencsés vagy, ha 1000 képed van. Ilyen helyzetekben, ahol kevés az adat, az ilyen technikák fontossá válnak. ”
A kutatók több mint 12 000 szintetikus kép felhasználásával képezték ki gépi tanulási algoritmusukat, amelyet mély konvolúciós neurális hálózatnak neveznek.
A folyamat végére az algoritmus 100% -ban pontos volt szintetikus képeken; ezután a valós életben folytatott vizsgálatokhoz léptek. Mindössze 10 vizsgálathoz férhettek hozzá: ezeknek a felén rosszindulatú elváltozások, a másik felén jóindulatú elváltozások voltak láthatóak.
„Körülbelül 80% -os pontossággal rendelkeztünk. Ezután folytatjuk az algoritmus finomítását azzal, hogy több valós képet használunk bemenetként. "
Prof. Assad Oberai
Bár a 80% jó, mégsem elég jó - azonban ez még csak a folyamat kezdete. A szerzők úgy vélik, hogy ha valódi adatokra képezték ki az algoritmust, akkor az pontosabb lehet. A kutatók azt is elismerik, hogy tesztjük túl kicsi volt a rendszer jövőbeni képességeinek előrejelzéséhez.
Az AI növekedése
Az elmúlt években egyre nagyobb az érdeklődés az AI diagnosztikában történő felhasználása iránt. Ahogy az egyik szerző írja:
"Az AI-t sikeresen alkalmazzák képelemzésre a radiológiában, a patológiában és a dermatológiában, a diagnosztikai sebesség meghaladja és a pontosság párhuzamosan áll az orvosi szakértőknél."
Oberai professzor azonban nem hiszi, hogy az AI valaha is felválthatja a képzett emberi kezelőt. Kifejti, hogy „[általános] konszenzus szerint az ilyen típusú algoritmusoknak jelentős szerepük van, ideértve a képalkotó szakemberekét is, akikre a legnagyobb hatással lesz. Ezek az algoritmusok azonban akkor lesznek a leghasznosabbak, ha nem fekete dobozként szolgálnak. Mit látott ez vezetett a végső következtetéshez? Az algoritmusnak magyarázhatónak kell lennie, hogy rendeltetésszerűen működjön. "
A kutatók remélik, hogy kibővíthetik új módszerüket a rák egyéb típusainak diagnosztizálására. Bárhol nő egy daganat, megváltozik a szövet viselkedése, fizikailag. Lehetővé kell tenni ezeknek a különbségeknek a feltérképezését és egy algoritmus betanítását azok észlelésére.
Mivel azonban az egyes rákfajták annyira eltérő módon hatnak a környezetével, egy algoritmusnak számos problémát meg kell küzdenie az egyes típusok esetében. Oberai professzor már dolgozik a veserák CT-vizsgálatain, hogy megtalálja azokat a módszereket, amelyek segítségével az AI segíthet az ottani diagnózisban.
Bár ezek a kezdeti idők az AI alkalmazása a rák diagnosztizálásában, nagy reményeket fűznek a jövőre nézve.
