Чи може штучний інтелект бути майбутнім діагностики раку?
В недавньому дослідженні дослідники навчили алгоритм розмежування злоякісних та доброякісних уражень при скануванні тканин молочної залози.
При раку ключем до успішного лікування є зараження на ранніх термінах.
В даний час лікарі мають доступ до високоякісних зображень, і кваліфіковані рентгенологи можуть помітити яскраві ознаки аномального росту.
Після виявлення наступним кроком є встановлення лікарями доброякісного чи злоякісного характеру.
Найбільш надійним методом є взяття біопсії, яка є інвазивною процедурою.
Навіть тоді можуть виникати помилки. Деякі люди отримують діагноз раку там, де немає хвороби, а інші не отримують діагнозу, коли рак є.
Обидва результати спричиняють страждання, а остання ситуація може спричинити затримку лікування.
Дослідники прагнуть вдосконалити процес діагностики, щоб уникнути цих проблем. Визначення злоякісного або доброякісного ушкодження більш надійно та без необхідності біопсії може змінити гру.
Деякі вчені досліджують потенціал штучного інтелекту (ШІ). У недавньому дослідженні вчені навчили алгоритм із обнадійливими результатами.
ШІ та еластографія
Ультразвукова еластографія - відносно нова діагностична техніка, яка перевіряє жорсткість тканин молочної залози. Це досягається за допомогою вібрації тканини, що створює хвилю. Ця хвиля викликає спотворення при ультразвуковому скануванні, виділяючи ділянки молочної залози, де властивості відрізняються від навколишніх тканин.
За цією інформацією лікар може визначити, є рана раковою чи доброякісною.
Хоча цей метод має великий потенціал, аналіз результатів еластографії займає багато часу, передбачає кілька етапів і вимагає вирішення складних проблем.
Нещодавно група дослідників з Інженерної школи Вітербі з Університету Південної Каліфорнії в Лос-Анджелесі запитала, чи може алгоритм зменшити кроки, необхідні для отримання інформації з цих зображень. Вони опублікували свої результати в журналі Комп’ютерні методи в прикладній механіці та техніці.
Дослідники хотіли дізнатись, чи зможуть вони навчити алгоритм розрізнення злоякісних та доброякісних уражень при скануванні молочної залози. Цікаво, що вони намагалися досягти цього шляхом навчання алгоритму з використанням синтетичних даних, а не справжніх сканувань.
Синтетичні дані
На запитання, чому команда використовувала синтетичні дані, провідний автор професор Асад Оберай відповідає, що це зводиться до наявності реальних даних. Він пояснює, що "у випадку з медичною візуалізацією вам пощастить, якщо у вас є 1000 зображень. У таких ситуаціях, коли даних не вистачає, ці види методів стають важливими ".
Дослідники навчили свій алгоритм машинного навчання, який вони називають глибокою згортковою нейронною мережею, використовуючи понад 12 000 синтетичних зображень.
До кінця процесу алгоритм був 100% точним на синтетичних зображеннях; далі вони перейшли до сканування реального життя. Вони мали доступ лише до 10 сканувань: половина з яких показала злоякісні ураження, а інша половина - доброякісні.
«Ми мали приблизно 80% рівня точності. Далі ми продовжуємо вдосконалювати алгоритм, використовуючи більше реальних зображень як вхідні дані ".
Професор Асад Оберай
Хоча 80% - це добре, це недостатньо - проте, це лише початок процесу. Автори вважають, що якби вони навчили алгоритм реальних даних, він міг би показати покращену точність. Дослідники також визнають, що їх тест був занадто малим, щоб передбачити майбутні можливості системи.
Зростання ШІ
В останні роки зростає інтерес до використання ШІ в діагностиці. Як пише один автор:
"ШІ успішно застосовується для аналізу зображень у рентгенології, патології та дерматології, з перевищенням швидкості діагностики та паралельністю точності для медичних експертів".
Однак професор Оберай не вірить, що ШІ коли-небудь може замінити навченого людського оператора. Він пояснює, що “[загальним консенсусом є те, що ці типи алгоритмів відіграють важливу роль, в тому числі від спеціалістів з обробки зображень, на кого це вплине найбільше. Однак ці алгоритми будуть найбільш корисними, коли вони не слугують чорними ящиками. Що це побачило, що призвело до остаточного висновку? Алгоритм повинен бути пояснюваним, щоб він працював за призначенням ".
Дослідники сподіваються, що зможуть розширити свій новий метод діагностики інших видів раку. Скрізь, де пухлина росте, це змінює фізичне поводження тканини. Повинна бути можливість скласти графік цих відмінностей та навчити алгоритм їх виявлення.
Однак, оскільки кожен тип раку взаємодіє зі своїм оточенням настільки по-різному, алгоритму потрібно буде подолати цілий ряд проблем для кожного типу. Уже зараз професор Оберай працює над КТ раку нирок, щоб знайти шляхи, за допомогою яких ШІ може допомогти діагностувати там.
Незважаючи на те, що це перші дні для використання ШІ для діагностики раку, є великі надії на майбутнє.
