Mohla by být umělá inteligence budoucností diagnostiky rakoviny?

V nedávné studii vědci trénovali algoritmus pro rozlišení mezi maligními a benigními lézemi při skenování prsní tkáně.

Nová studie se ptá, zda umělá inteligence může zefektivnit diagnostiku rakoviny.

U rakoviny je klíčem k úspěšné léčbě včasné zachycení.

V současné době mají lékaři přístup k vysoce kvalitnímu zobrazování a kvalifikovaní radiologové mohou zaznamenat výmluvné známky abnormálního růstu.

Po identifikaci je dalším krokem, aby lékaři zjistili, zda je růst benigní nebo maligní.

Nejspolehlivější metodou je biopsie, což je invazivní postup.

I tak se mohou vyskytnout chyby. Někteří lidé dostanou diagnózu rakoviny, pokud neexistuje žádná nemoc, zatímco jiní neobdrží diagnózu, pokud je přítomna rakovina.

Oba výsledky způsobují úzkost a druhá situace může způsobit zpoždění léčby.

Vědci se snaží zlepšit diagnostický proces, aby se těmto problémům vyhnuli. Zjišťování, zda je léze maligní nebo benigní spolehlivěji a bez nutnosti biopsie, by změnilo hru.

Někteří vědci zkoumají potenciál umělé inteligence (AI). V nedávné studii vědci trénovali algoritmus s povzbudivými výsledky.

AI a elastografie

Ultrazvuková elastografie je relativně nová diagnostická technika, která testuje tuhost prsní tkáně. Toho dosahuje vibrací tkáně, která vytváří vlnu. Tato vlna způsobuje zkreslení ultrazvukového skenování a zvýrazňuje oblasti prsu, kde se vlastnosti liší od okolní tkáně.

Z těchto informací je možné, aby lékař určil, zda je léze rakovinová nebo benigní.

Ačkoli má tato metoda velký potenciál, analýza výsledků elastografie je časově náročná, zahrnuje několik kroků a vyžaduje řešení složitých problémů.

Nedávno se skupina vědců z Viterbi School of Engineering na University of Southern California v Los Angeles zeptala, zda by algoritmus mohl snížit kroky potřebné k čerpání informací z těchto obrázků. Výsledky zveřejnili v časopise Počítačové metody v aplikované mechanice a strojírenství.

Vědci chtěli zjistit, zda mohou trénovat algoritmus pro rozlišení mezi maligními a benigními lézemi ve skenech prsou. Zajímavé je, že se to pokusili dosáhnout trénováním algoritmu pomocí syntetických dat, spíše než originálních skenů.

Syntetická data

Na otázku, proč tým použil syntetická data, hlavní autor prof. Assad Oberai říká, že jde o dostupnost dat v reálném světě. Vysvětluje, že „v případě lékařského zobrazování máte štěstí, pokud máte 1 000 snímků. V takových situacích, kdy je dat málo, se tyto druhy technik stávají důležitými. “

Vědci procvičili svůj algoritmus strojového učení, který označují jako hlubokou konvoluční neuronovou síť, pomocí více než 12 000 syntetických obrázků.

Na konci procesu byl algoritmus 100% přesný u syntetických obrázků; poté se přesunuli ke skenům z reálného života. Měli přístup pouze k 10 skenům: polovina z nich vykazovala maligní léze a druhá polovina zobrazovala benigní léze.

"Měli jsme asi 80% míru přesnosti." Dále pokračujeme v zdokonalování algoritmu pomocí více reálných obrázků jako vstupů. “

Prof. Assad Oberai

Ačkoli 80% je dobrých, není dost dobrých - je to však jen začátek procesu. Autoři se domnívají, že kdyby algoritmus trénovali na reálných datech, mohlo by to ukázat lepší přesnost. Vědci také uznávají, že jejich test byl příliš malý na to, aby bylo možné předpovědět budoucí schopnosti systému.

Růst AI

V posledních letech roste zájem o využití AI v diagnostice. Jak píše jeden autor:

"AI se úspěšně aplikuje na analýzu obrazu v radiologii, patologii a dermatologii, s překročení diagnostické rychlosti a paralelní přesnosti, lékaři."

Prof. Oberai však nevěří, že umělá inteligence může někdy nahradit vyškoleného lidského operátora. Vysvětluje, že „Obecná shoda spočívá v tom, že tyto typy algoritmů hrají významnou roli, mimo jiné od profesionálů v oblasti zobrazování, na které budou mít největší dopad. Tyto algoritmy však budou nejužitečnější, pokud neslouží jako černé skříňky. Co to vedlo k závěru? Algoritmus musí být vysvětlitelný, aby fungoval podle očekávání. “

Vědci doufají, že mohou rozšířit svou novou metodu diagnostiky dalších typů rakoviny. Kdekoli nádor vyroste, změní to, jak se tkáň chová, fyzicky. Mělo by být možné zmapovat tyto rozdíly a trénovat algoritmus, který by je odhalil.

Protože však každý typ rakoviny interaguje s okolím tak odlišně, bude algoritmus muset překonat řadu problémů pro každý typ. Prof. Oberai již pracuje na CT skenování rakoviny ledvin, aby našel způsoby, jak by tam mohla AI pomoci diagnostikovat.

Přestože je používání AI při diagnostice rakoviny v počátcích, do budoucna jsou velké naděje.

none:  krev - hematologie kosmetická medicína - plastická chirurgie infekční nemoci - bakterie - viry