Voisiko tekoäly olla syöpädiagnoosin tulevaisuus?
Tuoreessa tutkimuksessa tutkijat kouluttivat algoritmin erottamaan pahanlaatuiset ja hyvänlaatuiset vauriot rintakudoksen skannauksissa.
Syöpään onnistuneen hoidon avain on sen saaminen varhaisessa vaiheessa.
Nykytilassa lääkäreillä on pääsy korkealaatuiseen kuvantamiseen, ja ammattitaitoiset radiologit voivat havaita epänormaalin kasvun ilmaisimia.
Tunnistamisen jälkeen lääkäreiden on varmistettava, onko kasvu hyvän- tai pahanlaatuinen.
Luotettavin menetelmä on ottaa biopsia, joka on invasiivinen menettely.
Jopa silloin voi esiintyä virheitä. Jotkut ihmiset saavat syöpädiagnoosin, jossa ei ole tautia, kun taas toiset eivät saa diagnoosia, kun syöpä on läsnä.
Molemmat tulokset aiheuttavat ahdistusta, ja jälkimmäinen tilanne voi viivästyttää hoitoa.
Tutkijat haluavat parantaa diagnostiikkaprosessia näiden ongelmien välttämiseksi. Pelinvaihtaja olisi se, onko vaurio pahanlaatuinen tai hyvänlaatuinen luotettavammin ja ilman biopsiaa.
Jotkut tutkijat tutkivat tekoälyn (AI) potentiaalia. Tuoreessa tutkimuksessa tutkijat kouluttivat algoritmin rohkaisevilla tuloksilla.
Tekoäly ja elastografia
Ultraäänielastografia on suhteellisen uusi diagnostinen tekniikka, joka testaa rintakudoksen jäykkyyttä. Se saavuttaa tämän värisemällä kudosta, mikä luo aallon. Tämä aalto aiheuttaa vääristymiä ultraäänitutkimuksessa korostaen rintojen alueita, joilla ominaisuudet poikkeavat ympäröivästä kudoksesta.
Näiden tietojen perusteella lääkäri voi määrittää, onko vaurio syöpä tai hyvänlaatuinen.
Vaikka tällä menetelmällä on suuri potentiaali, elastografian tulosten analysointi on aikaa vievää, sisältää useita vaiheita ja vaatii monimutkaisten ongelmien ratkaisemista.
Äskettäin ryhmä tutkijoita Viterbi-insinööritieteiden korkeakoulusta Etelä-Kalifornian yliopistosta Los Angelesista kysyi, voisiko algoritmi vähentää vaiheita, joita tarvitaan tietojen hankkimiseksi näistä kuvista. He julkaisivat tulokset lehdessä Tietokonemenetelmät sovelletussa mekaniikassa ja tekniikassa.
Tutkijat halusivat nähdä, voisivatko he kouluttaa algoritmin erottaa pahanlaatuiset ja hyvänlaatuiset vauriot rintakuvauksissa. Mielenkiintoista on, että he yrittivät saavuttaa tämän kouluttamalla algoritmia käyttämällä synteettisiä tietoja aitojen skannausten sijaan.
Synteettiset tiedot
Kysyttäessä, miksi tiimi käytti synteettistä dataa, johtava kirjoittaja professori Assad Oberai sanoo, että se riippuu tosielämän tietojen saatavuudesta. Hän selittää, että "lääketieteellisen kuvantamisen tapauksessa olet onnekas, jos sinulla on 1 000 kuvaa. Tällaisissa tilanteissa, joissa tietoja on niukasti, tällaisista tekniikoista tulee tärkeitä. "
Tutkijat kouluttivat koneoppimisalgoritmiaan, jota he kutsuvat syväksi konvoluutiohermoverkoksi, käyttäen yli 12 000 synteettistä kuvaa.
Prosessin lopussa algoritmi oli 100% tarkka synteettisissä kuvissa; seuraavaksi he siirtyivät tosielämän skannauksiin. Heillä oli pääsy vain 10 skannaukseen: joista puolet osoitti pahanlaatuisia vaurioita ja toinen puoli kuvasi hyvänlaatuisia vaurioita.
”Tarkkuusaste oli noin 80%. Seuraavaksi jatkamme algoritmin tarkentamista käyttämällä enemmän reaalikuvia syötteinä. "
Professori Assad Oberai
Vaikka 80% on hyvää, se ei ole tarpeeksi hyvä - tämä on kuitenkin vasta prosessin alku. Kirjoittajat uskovat, että jos he olisivat kouluttaneet algoritmin todellisiin tietoihin, se olisi voinut osoittaa parempaa tarkkuutta. Tutkijat tunnustavat myös, että heidän testinsä oli liian pieni mittakaavassa järjestelmän tulevaisuuden ominaisuuksien ennustamiseksi.
AI: n kasvu
Viime vuosina kiinnostus tekoälyn käyttöön diagnostiikassa on ollut kasvussa. Kuten yksi kirjoittaja kirjoittaa:
"Tekoälyä käytetään menestyksekkäästi kuva-analyyseihin radiologiassa, patologiassa ja dermatologiassa diagnostiikkanopeuden ylittäessä ja tarkkuuden rinnakkain lääketieteen asiantuntijoiden kanssa."
Professori Oberai ei kuitenkaan usko, että tekoäly voi koskaan korvata koulutettua ihmisoperaattoria. Hän selittää, että "[yleinen yksimielisyys] on, että tämän tyyppisillä algoritmeilla on merkittävä rooli, myös kuvantamisen ammattilaisilta, joihin se vaikuttaa eniten. Nämä algoritmit ovat kuitenkin hyödyllisimpiä, kun ne eivät toimi mustina laatikoina. Mitä se näki johtaneen lopulliseen johtopäätökseen? Algoritmin on oltava selitettävissä, jotta se toimisi suunnitellusti. "
Tutkijat toivovat voivansa laajentaa uutta menetelmäänsä muun tyyppisten syöpien diagnosoimiseksi. Missä tahansa kasvain kasvaa, se muuttaa kudoksen käyttäytymistä fyysisesti. Näiden erojen tulisi olla mahdollista kartoittaa ja kouluttaa algoritmi niiden havaitsemiseksi.
Koska jokainen syöpätyyppi on kuitenkin vuorovaikutuksessa ympäristönsä kanssa niin eri tavoin, algoritmin on voitettava joukko erilaisia ongelmia kullekin tyypille. Prof. Oberai työskentelee jo munuaissyövän CT-tutkimusten parissa, jotta tekoäly voisi auttaa diagnosointia siellä.
Vaikka nämä ovat alkuvaiheita tekoälyn käytölle syövän diagnosoinnissa, tulevaisuuteen on paljon toivoja.
