O cercetare indică faptul că oamenii de ştiinţă antrenează inteligenţa artificială pentru a distinge tumorile cerebrale de ţesutul sănătos. Modelele AI pot identifica tumorile cerebrale în imaginile RMN aproape la fel de bine ca un radiolog uman.
Cercetătorii au făcut progrese susţinute în ceea ce priveşte utilizarea inteligenţei artificiale (AI) în medicină.
AI este deosebit de promiţătoare în radiologie, unde durata de timp pentru procesarea imaginilor medicale poate întârzia tratamentul pacienţilor. Reţelele neuronale convoluţionale sunt instrumente puternice care permit cercetătorilor să antreneze modelele AI pe seturi mari de date de imagini pentru a recunoaşte şi clasifica imaginile.
În acest fel, reţelele pot „învăţa” să distingă între imagini. Reţelele au, de asemenea, capacitatea de „învăţare prin transfer”. Oamenii de ştiinţă pot reutiliza un model antrenat pe o sarcină pentru un proiect nou, conex.
Deşi detectarea animalelor camuflate şi clasificarea tumorilor cerebrale implică tipuri foarte diferite de imagini, cercetătorii implicaţi în acest studiu au considerat că există o paralelă între un animal care se ascunde prin camuflaj natural şi un grup de celule canceroase care se amestecă în ţesutul sănătos din jur.
Procesul învăţat de generalizare - gruparea diferitelor aspecte sub aceeaşi identitate de obiect - este esenţial pentru a înţelege modul în care o reţea poate detecta obiecte camuflate. Un astfel de antrenament ar putea fi deosebit de util pentru detectarea tumorilor.
Într-un recent studiu retrospectiv al datelor RMN, cercetătorii au investigat modul în care modelele de reţele neuronale pot fi antrenate pe date de imagistică a cancerului cerebral, introducând în acelaşi timp o etapă unică de învăţare prin transfer a detectării animalelor camuflate pentru a îmbunătăţi abilităţile reţelelor de detectare a cancerului.
Folosind RMN-uri de creiere cu cancer şi controale sănătoase (din surse precum Kaggle, Arhiva de Imagistică a Cancerului a Institutului Naţional al Cancerului NIH şi Sistemul de Sănătate VA Boston, din Statele Unite), cercetătorii au antrenat reţelele pentru a distinge RMN-urile sănătoase de cele care indică malignitate, zona afectată şi tipul de cancer.
Cercetătorii au constatat că modelele au fost aproape perfecte la detectarea imaginilor cerebrale normale, cu doar unul sau două rezultate fals negative, şi la distingerea între creierele cu cancer şi cele sănătoase. Prima reţea neuronală a avut o precizie medie de 85,99% la detectarea cancerului cerebral, iar cealaltă a avut o rată de precizie de 83,85%.
O caracteristică cheie a reţelei neuronale este multitudinea de moduri în care deciziile sale pot fi explicate, permiţând creşterea încrederii în modele atât din partea cadrelor medicale, cât şi a pacienţilor. Modelele profunde sunt adesea lipsite de transparenţă, iar pe măsură ce domeniul se dezvoltă, capacitatea de a explica modul în care reţelele îşi iau deciziile devine importantă.
În urma acestei cercetări, modelul inteligent poate genera imagini care arată zone specifice în clasificarea tumorală pozitivă sau negativă, ceea ce ar permite radiologilor să-şi valideze propriile decizii cu cele ale reţelei şi să crească nivelul de încredere, aproape ca un al doilea radiolog robotizat care poate indica zona unui RMN care indică o tumoră canceroasă.
În viitor, cercetătorii cred că va fi important să se concentreze pe crearea de modele de reţele profunde ale căror decizii pot fi descrise în moduri intuitive, astfel încât AI să poată ocupa un rol de sprijin transparent în mediile clinice.
Precizia şi claritatea s-au îmbunătăţit pe măsură ce cercetătorii au antrenat reţelele în detectarea camuflajului cancerului. Învăţarea prin transfer a condus la o creştere a preciziei reţelelor inteligente.
Deşi cel mai performant model propus a fost cu aproximativ 6% mai puţin precis decât detecţia umană standard, cercetarea demonstrează cu succes îmbunătăţirea cantitativă adusă de această abordare de instruire a modelelor de AI.
Cercetătorii consideră că această abordare, combinată cu aplicarea cuprinzătoare a metodelor de explicare a deciziei, promovează transparenţa necesară în viitoarele cercetări clinice în domeniul AI.
„Progresele în AI permit detectarea şi recunoaşterea mai precisă a modelelor”, a declarat autorul principal al lucrării, Arash Yazdanbakhsh.
„Acest lucru permite, în consecinţă, un ajutor mai bun pentru diagnosticarea şi screeningul bazat pe imagistică, dar necesită, de asemenea, mai multe explicaţii cu privire la modul în care AI îndeplineşte sarcina. Scopul de a explica inteligenţa artificială îmbunătăţeşte comunicarea între oameni şi inteligenţa artificială în general. Acest lucru este deosebit de important între cadrele medicale şi AI concepută în scopuri medicale", a mai precizat cercetătorul.
Modele inteligente clare şi explicabile sunt mai bine poziţionate pentru a ajuta la diagnosticare, a urmări evoluţia bolii şi a monitoriza tratamentul, au concluzionat autorii acestei cercetări.
