Radiolodzy będą mogli w niedalekiej przyszłości wykorzystywać sztuczną inteligencję do wykrywania guzów mózgu

Artykuł zatytułowany „Deep learning and transfer learning for brain tumor detection and classification” opublikowany w Biology Methods and Protocols mówi, że naukowcy mogą trenować modele sztucznej inteligencji (AI) w celu odróżniania guzów mózgu od zdrowej tkanki. Modele AI potrafią już wykrywać guzy mózgu na obrazach MRI niemal tak dobrze, jak ludzki radiolog.

Naukowcy poczynili stałe postępy w stosowaniu AI w medycynie. AI jest szczególnie obiecująca w radiologii, gdzie czekanie na przetworzenie obrazów medycznych przez techników może opóźnić leczenie pacjentów. Sieci neuronowe splotowe to potężne narzędzia, które pozwalają badaczom trenować modele AI na dużych zestawach obrazów w celu ich rozpoznawania i klasyfikowania.

W ten sposób sieci mogą „nauczyć się” rozróżniać obrazy. Mają również zdolność do „przenoszenia nauki”. Naukowcy mogą ponownie wykorzystać model wytrenowany do jednego zadania w nowym, ale powiązanym projekcie.

Chociaż wykrywanie zakamuflowanych zwierząt i klasyfikowanie guzów mózgu wymaga zupełnie innych typów obrazów, naukowcy zasugerowali, że istnieje podobieństwo między zwierzęciem ukrywającym się dzięki naturalnemu kamuflażowi a grupą komórek nowotworowych wtapiających się w otaczającą je zdrową tkankę.

Nauczony proces generalizacji — grupowanie różnych obiektów pod jednym identyfikatorem — jest ważny dla zrozumienia, w jaki sposób sieć może wykrywać zakamuflowane obiekty. Takie uczenie się może być szczególnie przydatne do wykrywania guzów.

W tym retrospektywnym badaniu publicznie dostępnych danych MRI naukowcy sprawdzili, w jaki sposób można trenować modele sieci neuronowych na podstawie danych dotyczących raka mózgu, wprowadzając unikatowy krok uczenia transferowego w celu wykrywania zwierząt w maskach, co z kolei pozwala udoskonalić zdolności sieci do wykrywania guzów.

Wykorzystując obrazy MRI pochodzące z publicznie dostępnych internetowych źródeł danych o nowotworach oraz obrazy kontrolne zdrowych mózgów (w tym Kaggle, NIH Cancer Image Archive i VA Health System w Bostonie), naukowcy nauczyli sieci odróżniać zdrowe mózgi od nowotworowych obrazów MRI, identyfikować obszary dotknięte nowotworem oraz prototypowy wygląd nowotworu (typ guza nowotworowego).

Naukowcy odkryli, że sieci były niemal idealne w identyfikowaniu normalnych obrazów mózgu z tylko jednym lub dwoma fałszywie negatywnymi wynikami i odróżnianiu mózgów nowotworowych od zdrowych. Pierwsza sieć wykazała średnią dokładność 85,99% w wykrywaniu raka mózgu, podczas gdy druga miała dokładność 83,85%.

Kluczową cechą sieci jest wiele sposobów, w jakie można wyjaśnić jej decyzje, co zwiększa zaufanie do modeli ze strony specjalistów medycznych i pacjentów. Głębokie modele często nie są wystarczająco przejrzyste, a wraz z dojrzewaniem dziedziny, zdolność do wyjaśniania decyzji sieci staje się ważna.

Dzięki tym badaniom sieć może teraz generować obrazy, które pokazują określone obszary w klasyfikacji guza jako pozytywne lub negatywne. Pozwoli to radiologom sprawdzić swoje decyzje w oparciu o wyniki sieci, dodając pewności, jakby w pobliżu znajdował się drugi „robot” radiolog wskazujący na obszar MRI, który wskazuje na guz.

Naukowcy uważają, że w przyszłości ważne będzie skupienie się na tworzeniu głębokich modeli sieciowych, których decyzje będzie można opisywać w intuicyjny sposób, tak aby sztuczna inteligencja mogła odgrywać transparentną rolę pomocniczą w praktyce klinicznej.

Chociaż sieci miały trudności z rozróżnianiem typów guzów mózgu we wszystkich przypadkach, było jasne, że miały wewnętrzne różnice w sposobie reprezentacji danych w sieci. Dokładność i przejrzystość poprawiły się, gdy sieci zostały wytrenowane do rozpoznawania kamuflażu. Transfer learning doprowadził do zwiększenia dokładności.

Chociaż najlepszy testowany model był o 6% mniej dokładny niż standardowe wykrywanie przez człowieka, badanie skutecznie demonstruje ilościową poprawę osiągniętą dzięki temu paradygmatowi uczenia się. Naukowcy uważają, że ten paradygmat, w połączeniu z kompleksowym zastosowaniem metod wyjaśnialności, pomoże w zapewnieniu potrzebnej przejrzystości przyszłym badaniom klinicznym nad sztuczną inteligencją.

„Postęp w dziedzinie sztucznej inteligencji umożliwia dokładniejsze wykrywanie i rozpoznawanie wzorców” – powiedział główny autor artykułu, Arash Yazdanbakhsh.

„To z kolei poprawia diagnostykę i badania przesiewowe oparte na obrazach, ale wymaga również więcej wyjaśnień na temat tego, jak AI wykonuje zadanie. Nacisk na wyjaśnialność AI poprawia interakcje człowiek-AI w ogólności. Jest to szczególnie ważne w przypadku specjalistów medycznych i AI zaprojektowanej do celów medycznych.

„Jasne i zrozumiałe modele lepiej nadają się do wspomagania diagnozy, śledzenia postępu choroby i monitorowania leczenia”.