Может ли искусственный интеллект стать будущим диагностики рака?
В недавнем исследовании исследователи обучили алгоритм различать злокачественные и доброкачественные образования при сканировании ткани груди.
В случае рака ключом к успешному лечению является его раннее выявление.
В настоящее время врачи имеют доступ к высококачественной визуализации, а опытные радиологи могут обнаружить явные признаки аномального роста.
Следующим шагом после идентификации врачи должны определить, доброкачественный или злокачественный новообразование.
Самый надежный метод - это биопсия, которая является инвазивной процедурой.
Даже тогда могут возникнуть ошибки. Некоторым людям ставят диагноз рака при отсутствии болезни, в то время как другим не ставят диагноз при наличии рака.
Оба исхода вызывают дистресс, а последняя ситуация может привести к задержке лечения.
Исследователи стремятся улучшить диагностический процесс, чтобы избежать этих проблем. Более надежное определение того, является ли поражение злокачественным или доброкачественным, без биопсии, может изменить правила игры.
Некоторые ученые исследуют потенциал искусственного интеллекта (ИИ). В недавнем исследовании ученые разработали алгоритм, который дал обнадеживающие результаты.
ИИ и эластография
Ультразвуковая эластография - относительно новый диагностический метод, который проверяет жесткость тканей груди. Это достигается за счет вибрации ткани, которая создает волну. Эта волна вызывает искажение ультразвукового сканирования, выделяя участки груди, свойства которых отличаются от окружающих тканей.
По этой информации врач может определить, является ли поражение злокачественным или доброкачественным.
Хотя этот метод имеет большой потенциал, анализ результатов эластографии занимает много времени, включает несколько этапов и требует решения сложных проблем.
Недавно группа исследователей из инженерной школы Витерби Университета Южной Калифорнии в Лос-Анджелесе спросила, может ли алгоритм сократить количество шагов, необходимых для извлечения информации из этих изображений. Они опубликовали свои результаты в журнале Компьютерные методы в прикладной механике и технике.
Исследователи хотели узнать, смогут ли они обучить алгоритм различать злокачественные и доброкачественные образования при сканировании груди. Интересно, что они попытались достичь этого путем обучения алгоритма с использованием синтетических данных, а не подлинных сканирований.
Синтетические данные
На вопрос, почему команда использовала синтетические данные, ведущий автор профессор Асад Обераи отвечает, что все сводится к доступности реальных данных. Он объясняет, что «в случае с медицинской визуализацией вам повезло, если у вас есть 1000 изображений. В подобных ситуациях, когда данных мало, такие методы становятся важными ».
Исследователи обучили свой алгоритм машинного обучения, который они называют глубокой сверточной нейронной сетью, используя более 12000 синтетических изображений.
К концу процесса алгоритм был на 100% точен на синтетических изображениях; Затем они перешли к сканированию реальной жизни. Им было доступно всего 10 сканирований: половина из них показала злокачественные образования, а другая половина - доброкачественные.
«У нас была точность около 80%. Затем мы продолжаем совершенствовать алгоритм, используя больше реальных изображений в качестве входных данных ».
Профессор Асад Обераи
Хотя 80% - это хорошо, этого недостаточно, однако это только начало процесса. Авторы считают, что если бы они обучили алгоритм на реальных данных, он мог бы показать повышенную точность. Исследователи также признают, что их тест был слишком мелким, чтобы предсказать будущие возможности системы.
Рост ИИ
В последние годы растет интерес к использованию ИИ в диагностике. Как пишет один автор:
«ИИ успешно применяется для анализа изображений в радиологии, патологии и дерматологии, при этом скорость диагностики превышает скорость диагностики, а точность сопоставима с экспертами-медиками».
Однако профессор Обераи не верит, что ИИ когда-либо сможет заменить обученного человека-оператора. Он объясняет, что «[t] общее мнение заключается в том, что эти типы алгоритмов должны сыграть значительную роль, в том числе со стороны профессионалов в области визуализации, на которых они окажут наибольшее влияние. Однако эти алгоритмы будут наиболее полезны, когда они не служат черными ящиками. Что он увидел, что привело к окончательному выводу? Алгоритм должен быть объясним, чтобы он работал должным образом ».
Исследователи надеются, что они смогут расширить свой новый метод для диагностики других типов рака. Где бы опухоль ни разрасталась, она меняет физическое поведение ткани. Должна быть возможность нанести на карту эти различия и обучить алгоритм для их выявления.
Однако, поскольку каждый тип рака взаимодействует с окружающей средой по-разному, алгоритм должен решить ряд проблем для каждого типа. Профессор Обераи уже работает над компьютерной томографией рака почек, чтобы найти способы, которыми ИИ может помочь в диагностике.
Хотя сейчас только первые дни использования ИИ в диагностике рака, на будущее возлагаются большие надежды.
