Je umetna inteligenca lahko prihodnost diagnoze raka?
V nedavni študiji so raziskovalci usposobili algoritem za razlikovanje med malignimi in benignimi lezijami pri preiskavah tkiva dojk.
Pri raku je ključ do uspešnega zdravljenja zgodaj ujeti.
Trenutno zdravniki imajo dostop do visokokakovostnih slik, usposobljeni radiologi pa lahko opazijo znake nenormalne rasti.
Ko se zdravniki enkrat identificirajo, ugotovijo, ali je rast benigna ali maligna.
Najbolj zanesljiva metoda je odvzem biopsije, ki je invaziven postopek.
Že takrat lahko pride do napak. Nekateri dobijo diagnozo raka tam, kjer ni bolezni, drugi pa ne, ko je rak prisoten.
Oba rezultata povzročita stisko, slednja situacija pa lahko povzroči zamude pri zdravljenju.
Raziskovalci želijo izboljšati diagnostični postopek, da bi se izognili tem težavam. Zaznavanje, ali je lezija maligna ali benigna, zanesljivejše in brez potrebe po biopsiji bi spremenilo igro.
Nekateri znanstveniki preiskujejo potencial umetne inteligence (AI). V nedavni študiji so znanstveniki usposobili algoritem s spodbudnimi rezultati.
AI in elastografija
Ultrazvočna elastografija je razmeroma nova diagnostična tehnika, s katero se testira togost tkiva dojk. To doseže z vibriranjem tkiva, ki ustvari val. Ta val povzroči izkrivljanje ultrazvočnega pregleda in poudari področja dojk, kjer se lastnosti razlikujejo od okoliškega tkiva.
Na podlagi teh informacij lahko zdravnik ugotovi, ali je lezija rakava ali benigna.
Čeprav ima ta metoda velik potencial, je analiza rezultatov elastografije dolgotrajna, vključuje več korakov in zahteva reševanje zapletenih problemov.
Nedavno je skupina raziskovalcev s šole za tehniko Viterbi na Univerzi v Južni Kaliforniji v Los Angelesu vprašala, ali bi algoritem lahko zmanjšal korake, potrebne za črpanje informacij iz teh slik. Rezultate so objavili v reviji Računalniške metode v uporabni mehaniki in tehniki.
Raziskovalci so želeli ugotoviti, ali lahko urijo algoritem za razlikovanje med malignimi in benignimi lezijami pri pregledih dojk. Zanimivo je, da so to poskušali doseči z urjenjem algoritma z uporabo sintetičnih podatkov in ne pristnih skeniranj.
Sintetični podatki
Na vprašanje, zakaj je ekipa uporabila sintetične podatke, vodilni avtor prof. Assad Oberai pravi, da gre za razpoložljivost podatkov iz resničnega sveta. Pojasnjuje, da "imate v primeru medicinskega slikanja srečo, če imate 1.000 slik. V takšnih situacijah, ko je podatkov malo, so tovrstne tehnike pomembne. "
Raziskovalci so usposobili svoj algoritem strojnega učenja, ki ga imenujejo globoka konvolucijska nevronska mreža, z uporabo več kot 12.000 sintetičnih slik.
Do konca postopka je bil algoritem 100% natančen na sintetičnih slikah; Nato so prešli na skeniranje v resničnem življenju. Imeli so dostop do samo 10 preiskav: polovica je pokazala maligne lezije, druga polovica pa benigne lezije.
»Imeli smo približno 80-odstotno natančnost. Nato še naprej izboljšujemo algoritem z uporabo več resničnih slik kot vhodov. "
Prof. Assad Oberai
Čeprav je 80% dobrih, ni dovolj dobrih - vendar je to šele začetek postopka. Avtorji verjamejo, da bi algoritem, če bi ga učili na resničnih podatkih, morda pokazal večjo natančnost. Raziskovalci priznavajo tudi, da je bil njihov test premajhen, da bi lahko napovedal prihodnje zmogljivosti sistema.
Rast AI
V zadnjih letih narašča zanimanje za uporabo umetne inteligence v diagnostiki. Kot piše en avtor:
"AI se uspešno uporablja za analizo slik v radiologiji, patologiji in dermatologiji, pri čemer diagnostična hitrost presega in natančnost je enaka medicinskim strokovnjakom."
Vendar profesor Oberai ne verjame, da lahko umetna inteligenca kadar koli nadomesti usposobljenega človeškega operaterja. Pojasnjuje, da »[splošno] soglasje je, da imajo te vrste algoritmov pomembno vlogo, tudi s strani strokovnjakov za obdelavo slik, na katere bo najbolj vplival. Ti algoritmi pa bodo najbolj uporabni, če ne bodo črni polji. Kaj je videlo, kar je pripeljalo do končnega zaključka? Algoritem mora biti razložljiv, da deluje, kot je predvideno. "
Raziskovalci upajo, da bodo lahko razširili svojo novo metodo za diagnosticiranje drugih vrst raka. Kjer koli tumor raste, spremeni njegovo fizično obnašanje. Te razlike bi moralo biti mogoče začrtati in izuriti algoritem za njihovo opazovanje.
Ker pa vsaka vrsta raka tako različno sodeluje s svojo okolico, bo algoritem moral premagati vrsto težav za vsako vrsto. Profesor Oberai že dela na CT preiskavah raka ledvic, da bi našel načine, kako bi AI lahko tam pomagal pri diagnozi.
Čeprav so to zgodnji dnevi za uporabo umetne inteligence pri diagnostiki raka, obstaja veliko upanje za prihodnost.
