Pakar radiologi akan dapat menggunakan AI untuk mengesan tumor otak dalam masa terdekat

Kertas kerja bertajuk "Pembelajaran mendalam dan pemindahan pembelajaran untuk pengesanan dan klasifikasi tumor otak" yang diterbitkan dalam Kaedah dan Protokol Biologi mengatakan bahawa saintis boleh melatih model kecerdasan buatan (AI) untuk membezakan antara tumor otak dan tisu yang sihat. Model AI sudah boleh mengesan tumor otak dalam imej MRI hampir sama seperti ahli radiologi manusia.

Penyelidik telah membuat kemajuan yang mantap dalam menggunakan AI untuk perubatan. AI amat menjanjikan dalam radiologi, di mana menunggu juruteknik memproses imej perubatan boleh melambatkan rawatan pesakit. Rangkaian saraf konvolusi ialah alat berkuasa yang membolehkan penyelidik melatih model AI pada set imej yang besar untuk pengecaman dan pengelasan.

Dengan cara ini, rangkaian boleh "belajar" untuk membezakan antara imej. Mereka juga mempunyai keupayaan untuk "memindahkan pembelajaran." Para saintis boleh menggunakan semula model yang dilatih untuk satu tugas untuk projek baharu tetapi berkaitan.

Walaupun mengesan haiwan yang disamarkan dan mengklasifikasikan tumor otak melibatkan jenis imej yang sangat berbeza, para penyelidik mencadangkan bahawa terdapat persamaan antara haiwan yang bersembunyi berkat penyamaran semula jadi dan sekumpulan sel kanser yang bergabung dengan tisu sihat di sekelilingnya.

Proses generalisasi yang dipelajari—mengumpulkan objek berbeza di bawah satu pengecam tunggal—penting untuk memahami cara rangkaian boleh mengesan objek yang disamarkan. Pembelajaran sedemikian boleh berguna terutamanya untuk mengesan tumor.

Dalam kajian retrospektif data MRI yang tersedia secara umum ini, para penyelidik mengkaji bagaimana model rangkaian saraf boleh dilatih mengenai data kanser otak, memperkenalkan langkah pembelajaran pemindahan unik untuk mengesan haiwan berjubah untuk meningkatkan kemahiran pengesanan tumor rangkaian.

Menggunakan MRI daripada sumber data kanser dalam talian yang tersedia secara terbuka dan mengawal imej otak yang sihat (termasuk Kaggle, Arkib Imej Kanser NIH dan Sistem Kesihatan VA di Boston), para penyelidik melatih rangkaian untuk membezakan antara MRI yang sihat dan kanser, mengenal pasti kawasan yang terjejas oleh kanser, dan penampilan prototaip kanser (jenis tumor kanser).

Para penyelidik mendapati bahawa rangkaian itu hampir sempurna untuk mengenal pasti imej otak normal dengan hanya satu atau dua negatif palsu dan membezakan antara otak kanser dan sihat. Rangkaian pertama menunjukkan ketepatan purata 85.99% dalam mengesan kanser otak, manakala yang kedua mempunyai ketepatan 83.85%.

Ciri utama rangkaian ialah pelbagai cara untuk menjelaskan keputusannya, yang meningkatkan kepercayaan terhadap model daripada profesional perubatan dan pesakit. Model dalam selalunya tidak cukup telus, dan apabila medan matang, keupayaan untuk menerangkan keputusan rangkaian menjadi penting.

Terima kasih kepada penyelidikan ini, rangkaian kini boleh menjana imej yang menunjukkan kawasan tertentu dalam klasifikasi tumor sebagai positif atau negatif. Ini akan membolehkan ahli radiologi menyemak keputusan mereka terhadap keputusan rangkaian, menambah keyakinan seolah-olah terdapat ahli radiologi "robotik" kedua berdekatan yang menunjuk ke kawasan MRI yang menunjukkan tumor.

Pada masa hadapan, para penyelidik percaya adalah penting untuk memberi tumpuan kepada mencipta model rangkaian yang mendalam yang keputusannya boleh diterangkan dalam cara intuitif supaya AI boleh memainkan peranan sokongan yang telus dalam amalan klinikal.

Walaupun rangkaian mengalami kesukaran membezakan antara jenis tumor otak dalam semua kes, jelas bahawa mereka mempunyai perbezaan intrinsik dalam cara data diwakili dalam rangkaian. Ketepatan dan kejelasan bertambah baik apabila rangkaian dilatih untuk mengenali penyamaran. Memindahkan pembelajaran membawa kepada peningkatan ketepatan.

Walaupun model terbaik yang diuji adalah 6% kurang tepat daripada pengesanan manusia standard, kajian ini berjaya menunjukkan peningkatan kuantitatif yang dicapai melalui paradigma pembelajaran ini. Para penyelidik percaya bahawa paradigma ini, ditambah dengan aplikasi komprehensif kaedah kebolehjelasan, akan membantu membawa ketelusan yang diperlukan kepada penyelidikan AI klinikal masa depan.

"Kemajuan dalam AI membolehkan pengesanan dan pengecaman corak dengan lebih tepat," kata pengarang utama kertas itu, Arash Yazdanbakhsh.

"Ini, seterusnya, menambah baik diagnostik dan penyaringan berasaskan imej, tetapi juga memerlukan lebih banyak penjelasan tentang cara AI melaksanakan tugas. Dorongan untuk kebolehjelasan AI meningkatkan interaksi manusia-AI secara umum. Ini amat penting antara profesional perubatan dan AI yang direka untuk tujuan perubatan.

"Model yang jelas dan boleh dijelaskan lebih sesuai untuk membantu diagnosis, mengesan perkembangan penyakit dan memantau rawatan."