Οι ακτινολόγοι θα μπορούν να χρησιμοποιούν τεχνητή νοημοσύνη για την ανίχνευση όγκων στον εγκέφαλο στο εγγύς μέλλον

Μια δημοσίευση με τίτλο «Deep learning and transfer learning for brain tumor detection and classification» (Βαθιά μάθηση και μεταφορά μάθησης για την ανίχνευση και ταξινόμηση όγκων εγκεφάλου) που δημοσιεύτηκε στο Biology Methods and Protocols αναφέρει ότι οι επιστήμονες μπορούν να εκπαιδεύσουν μοντέλα τεχνητής νοημοσύνης (AI) ώστε να διακρίνουν μεταξύ όγκων εγκεφάλου και υγιών ιστών. Τα μοντέλα τεχνητής νοημοσύνης μπορούν ήδη να ανιχνεύσουν όγκους εγκεφάλου σε εικόνες μαγνητικής τομογραφίας σχεδόν εξίσου καλά με έναν άνθρωπο ακτινολόγο.

Οι ερευνητές έχουν σημειώσει σταθερή πρόοδο στην εφαρμογή της Τεχνητής Νοημοσύνης (ΤΝ) στην ιατρική. Η ΤΝ είναι ιδιαίτερα πολλά υποσχόμενη στην ακτινολογία, όπου η αναμονή για την επεξεργασία ιατρικών εικόνων από τους τεχνικούς μπορεί να καθυστερήσει τη θεραπεία των ασθενών. Τα συνελικτικά νευρωνικά δίκτυα είναι ισχυρά εργαλεία που επιτρέπουν στους ερευνητές να εκπαιδεύουν μοντέλα ΤΝ σε μεγάλα σύνολα εικόνων για αναγνώριση και ταξινόμηση.

Με αυτόν τον τρόπο, τα δίκτυα μπορούν να «μάθουν» να διακρίνουν μεταξύ εικόνων. Έχουν επίσης την ικανότητα να «μεταφέρουν μάθηση». Οι επιστήμονες μπορούν να επαναχρησιμοποιήσουν ένα μοντέλο που έχει εκπαιδευτεί για μια εργασία για ένα νέο αλλά σχετικό έργο.

Αν και η ανίχνευση καμουφλαρισμένων ζώων και η ταξινόμηση όγκων στον εγκέφαλο περιλαμβάνουν πολύ διαφορετικούς τύπους εικόνων, οι ερευνητές υπέδειξαν ότι υπάρχει μια παραλληλία μεταξύ ενός ζώου που κρύβεται χάρη στο φυσικό καμουφλάζ και μιας ομάδας καρκινικών κυττάρων που αναμειγνύονται με τον περιβάλλοντα υγιή ιστό.

Η μαθησιακή διαδικασία της γενίκευσης —ομαδοποίηση διαφορετικών αντικειμένων κάτω από ένα μόνο αναγνωριστικό— είναι σημαντική για την κατανόηση του τρόπου με τον οποίο το δίκτυο μπορεί να ανιχνεύσει καμουφλαρισμένα αντικείμενα. Μια τέτοια μάθηση θα μπορούσε να είναι ιδιαίτερα χρήσιμη για την ανίχνευση όγκων.

Σε αυτήν την αναδρομική μελέτη δημοσίως διαθέσιμων δεδομένων μαγνητικής τομογραφίας, οι ερευνητές εξέτασαν πώς τα μοντέλα νευρωνικών δικτύων θα μπορούσαν να εκπαιδευτούν σε δεδομένα καρκίνου του εγκεφάλου, εισάγοντας ένα μοναδικό βήμα μεταφοράς μάθησης για την ανίχνευση κρυμμένων ζώων με σκοπό τη βελτίωση των δεξιοτήτων ανίχνευσης όγκων του δικτύου.

Χρησιμοποιώντας μαγνητικές τομογραφίες από δημόσια διαθέσιμες διαδικτυακές πηγές δεδομένων για τον καρκίνο και εικόνες ελέγχου υγιών εγκεφάλων (συμπεριλαμβανομένων των Kaggle, του Αρχείου Εικόνων Καρκίνου των NIH και του Συστήματος Υγείας VA στη Βοστώνη), οι ερευνητές εκπαίδευσαν δίκτυα ώστε να διακρίνουν μεταξύ υγιών και καρκινικών μαγνητικών τομογραφιών, να εντοπίζουν την περιοχή που έχει προσβληθεί από τον καρκίνο και την πρωτότυπη εμφάνιση του καρκίνου (τύπος καρκινικού όγκου).

Οι ερευνητές διαπίστωσαν ότι τα δίκτυα ήταν σχεδόν τέλεια στην αναγνώριση φυσιολογικών εικόνων εγκεφάλου με μόνο ένα ή δύο ψευδώς αρνητικά αποτελέσματα και στη διάκριση μεταξύ καρκινικών και υγιών εγκεφάλων. Το πρώτο δίκτυο έδειξε μέση ακρίβεια 85,99% στην ανίχνευση καρκίνου του εγκεφάλου, ενώ το δεύτερο είχε ακρίβεια 83,85%.

Ένα βασικό χαρακτηριστικό του δικτύου είναι οι πολλαπλοί τρόποι με τους οποίους μπορούν να εξηγηθούν οι αποφάσεις του, γεγονός που αυξάνει την εμπιστοσύνη των επαγγελματιών υγείας και των ασθενών στα μοντέλα. Τα μοντέλα σε βάθος συχνά δεν είναι αρκετά διαφανή και, καθώς ο τομέας ωριμάζει, η ικανότητα εξήγησης των αποφάσεων των δικτύων καθίσταται σημαντική.

Χάρη σε αυτήν την έρευνα, το δίκτυο μπορεί πλέον να δημιουργεί εικόνες που δείχνουν συγκεκριμένες περιοχές στην ταξινόμηση ενός όγκου ως θετικές ή αρνητικές. Αυτό θα επιτρέψει στους ακτινολόγους να ελέγχουν τις αποφάσεις τους με τα αποτελέσματα του δικτύου, προσθέτοντας σιγουριά σαν να υπήρχε ένας δεύτερος «ρομποτικός» ακτινολόγος κοντά που να δείχνει την περιοχή της μαγνητικής τομογραφίας που υποδεικνύει έναν όγκο.

Στο μέλλον, οι ερευνητές πιστεύουν ότι θα είναι σημαντικό να επικεντρωθούν στη δημιουργία μοντέλων βαθέων δικτύων των οποίων οι αποφάσεις μπορούν να περιγραφούν με διαισθητικό τρόπο, ώστε η Τεχνητή Νοημοσύνη να μπορεί να διαδραματίσει έναν διαφανή υποστηρικτικό ρόλο στην κλινική πράξη.

Παρόλο που τα δίκτυα δυσκολεύτηκαν να διακρίνουν μεταξύ των τύπων όγκων του εγκεφάλου σε όλες τις περιπτώσεις, ήταν σαφές ότι είχαν εγγενείς διαφορές στον τρόπο με τον οποίο τα δεδομένα αναπαρίσταντο εντός του δικτύου. Η ακρίβεια και η σαφήνεια βελτιώθηκαν καθώς τα δίκτυα εκπαιδεύτηκαν να αναγνωρίζουν το καμουφλάζ. Η μεταφορά μάθησης οδήγησε σε αυξημένη ακρίβεια.

Παρόλο που το καλύτερο μοντέλο που δοκιμάστηκε ήταν 6% λιγότερο ακριβές από την τυπική ανθρώπινη ανίχνευση, η μελέτη καταδεικνύει με επιτυχία την ποσοτική βελτίωση που επιτεύχθηκε μέσω αυτού του μαθησιακού παραδείγματος. Οι ερευνητές πιστεύουν ότι αυτό το παράδειγμα, σε συνδυασμό με την ολοκληρωμένη εφαρμογή μεθόδων εξηγησιμότητας, θα βοηθήσει στην επίτευξη της απαραίτητης διαφάνειας στη μελλοντική κλινική έρευνα για την Τεχνητή Νοημοσύνη.

«Οι εξελίξεις στην Τεχνητή Νοημοσύνη καθιστούν δυνατή την ανίχνευση και αναγνώριση μοτίβων με μεγαλύτερη ακρίβεια», δήλωσε ο επικεφαλής συγγραφέας της εργασίας, Arash Yazdanbakhsh.

«Αυτό, με τη σειρά του, βελτιώνει τη διάγνωση και τον έλεγχο που βασίζονται σε εικόνες, αλλά απαιτεί επίσης περισσότερες εξηγήσεις σχετικά με τον τρόπο με τον οποίο η Τεχνητή Νοημοσύνη εκτελεί μια εργασία. Η ώθηση για εξηγησιμότητα της Τεχνητής Νοημοσύνης βελτιώνει τις αλληλεπιδράσεις ανθρώπου-Τεχνητής Νοημοσύνης γενικά. Αυτό είναι ιδιαίτερα σημαντικό μεταξύ των επαγγελματιών υγείας και της Τεχνητής Νοημοσύνης που έχει σχεδιαστεί για ιατρικούς σκοπούς».

«Τα σαφή και εξηγήσιμα μοντέλα είναι πιο κατάλληλα για να βοηθήσουν στη διάγνωση, να παρακολουθήσουν την εξέλιξη της νόσου και να παρακολουθήσουν τη θεραπεία.»