В близко бъдеще рентгенолозите ще могат да използват изкуствен интелект за откриване на мозъчни тумори

В статия, озаглавена „Дълбоко обучение и трансферно обучение за откриване и класификация на мозъчни тумори“, публикувана в Biology Methods and Protocols, се казва, че учените могат да обучават модели с изкуствен интелект (ИИ) да различават мозъчни тумори от здрава тъкан. Моделите с ИИ вече могат да откриват мозъчни тумори в ЯМР изображения почти толкова добре, колкото и човешки рентгенолог.

Изследователите постигат стабилен напредък в прилагането на изкуствен интелект в медицината. Изкуственият интелект е особено обещаващ в радиологията, където чакането техниците да обработват медицински изображения може да забави лечението на пациента. Конволюционните невронни мрежи са мощни инструменти, които позволяват на изследователите да обучават модели на изкуствен интелект върху големи набори от изображения за разпознаване и класификация.

По този начин мрежите могат да се „научат“ да различават изображения. Те също така имат способността да „прехвърлят наученото“. Учените могат да използват повторно модел, обучен за една задача, за нов, но свързан проект.

Въпреки че откриването на камуфлажни животни и класифицирането на мозъчни тумори включват много различни видове изображения, изследователите предполагат, че има паралел между животно, което се крие благодарение на естествения камуфлаж, и група ракови клетки, които се сливат с околната здрава тъкан.

Наученият процес на обобщение – групиране на различни обекти под един идентификатор – е важен за разбирането как мрежата може да открива камуфлирани обекти. Такова обучение би могло да бъде особено полезно за откриване на тумори.

В това ретроспективно проучване на публично достъпни данни от ЯМР, изследователите изследват как моделите на невронни мрежи могат да бъдат обучени върху данни за рак на мозъка, въвеждайки уникална стъпка на трансферно обучение за откриване на прикрити животни, за да се подобрят уменията на мрежата за откриване на тумори.

Използвайки ЯМР от публично достъпни онлайн източници на данни за рака и контролни изображения на здрави мозъци (включително Kaggle, Архива за изображения на рака на NIH и Здравната система на VA в Бостън), изследователите обучиха мрежи да разграничават ЯМР-и на здрави от ракови, да идентифицират засегнатата от рака област и прототипния вид на рака (тип раков тумор).

Изследователите установили, че мрежите са почти перфектни при идентифицирането на нормални мозъчни изображения само с един или два фалшиво отрицателни резултата и при разграничаването между ракови и здрави мозъци. Първата мрежа показа средна точност от 85,99% при откриване на рак на мозъка, докато втората имаше точност от 83,85%.

Ключова характеристика на мрежата са множеството начини, по които нейните решения могат да бъдат обяснени, което повишава доверието в моделите от страна на медицински специалисти и пациенти. Дълбоките модели често не са достатъчно прозрачни и с развитието на областта, способността за обяснение на решенията на мрежите става важна.

Благодарение на това изследване, мрежата вече може да генерира изображения, които показват специфични области в класификацията на тумора като положителни или отрицателни. Това ще позволи на рентгенолозите да проверят решенията си спрямо резултатите на мрежата, добавяйки увереност, сякаш наблизо има втори „роботизиран“ рентгенолог, сочещ към областта на ЯМР, която показва тумор.

В бъдеще изследователите смятат, че ще бъде важно да се съсредоточат върху създаването на дълбоки мрежови модели, чиито решения могат да бъдат описани по интуитивен начин, така че изкуственият интелект да може да играе прозрачна поддържаща роля в клиничната практика.

Въпреки че мрежите срещаха трудности при разграничаването на видовете мозъчни тумори във всички случаи, беше ясно, че те имат присъщи разлики в начина, по който данните са представени в мрежата. Точността и яснотата се подобриха, тъй като мрежите бяха обучени да разпознават камуфлаж. Трансферното обучение доведе до повишена точност.

Въпреки че най-добрият тестван модел е бил с 6% по-малко точен от стандартното човешко откриване, проучването успешно демонстрира количественото подобрение, постигнато чрез тази парадигма на обучение. Изследователите вярват, че тази парадигма, съчетана с цялостното приложение на методи за обяснимост, ще помогне за постигане на необходимата прозрачност в бъдещите клинични изследвания на изкуствения интелект.

„Напредъкът в изкуствения интелект прави възможно по-точното откриване и разпознаване на модели“, каза водещият автор на статията Араш Язданбахш.

„Това от своя страна подобрява диагностиката и скрининга, базирани на изображения, но също така изисква повече обяснения за това как изкуственият интелект изпълнява дадена задача. Стремежът към обяснимост на изкуствения интелект подобрява взаимодействията между човек и изкуствен интелект като цяло. Това е особено важно между медицинските специалисти и изкуствения интелект, предназначен за медицински цели.“

„Ясните и обясними модели са по-подходящи за подпомагане на диагностиката, проследяване на прогресията на заболяването и наблюдение на лечението.“