Radiologové budou moci v blízké budoucnosti využívat umělou inteligenci k detekci mozkových nádorů.

Článek s názvem „Hluboké učení a transferové učení pro detekci a klasifikaci mozkových nádorů“ publikovaný v časopise Biology Methods and Protocols uvádí, že vědci mohou trénovat modely umělé inteligence (AI) k rozlišení mezi mozkovými nádory a zdravou tkání. Modely AI již dokáží detekovat mozkové nádory na snímcích magnetické rezonance téměř stejně dobře jako lidský radiolog.

Výzkumníci dosahují stabilního pokroku v aplikaci umělé inteligence v medicíně. Umělá inteligence je obzvláště slibná v radiologii, kde čekání na zpracování lékařských snímků techniky může zpozdit léčbu pacientů. Konvoluční neuronové sítě jsou výkonné nástroje, které umožňují výzkumníkům trénovat modely umělé inteligence na velkých sadách snímků za účelem rozpoznávání a klasifikace.

Tímto způsobem se sítě mohou „naučit“ rozlišovat mezi obrazy. Mají také schopnost „přenášet učení“. Vědci mohou znovu použít model natrénovaný pro jeden úkol pro nový, ale související projekt.

Ačkoli detekce maskovaných zvířat a klasifikace mozkových nádorů zahrnují velmi odlišné typy snímků, vědci naznačili, že existuje paralela mezi zvířetem schovávajícím se díky přirozené kamufláži a skupinou rakovinných buněk, které splývají s okolní zdravou tkání.

Naučený proces generalizace – seskupování různých objektů pod jeden identifikátor – je důležitý pro pochopení toho, jak síť dokáže detekovat maskované objekty. Takové učení by mohlo být obzvláště užitečné pro detekci nádorů.

V této retrospektivní studii veřejně dostupných dat z magnetické rezonance vědci zkoumali, jak by mohly být modely neuronových sítí trénovány na datech o rakovině mozku, a zavedli unikátní krok přenosového učení pro detekci maskovaných zvířat, aby se zlepšily schopnosti sítě detekovat nádory.

Pomocí magnetické rezonance z veřejně dostupných online zdrojů dat o rakovině a kontrolních snímků zdravých mozků (včetně Kaggle, archivu snímků rakoviny NIH a systému VA Health System v Bostonu) vědci natrénovali sítě k rozlišení mezi zdravými a rakovinnými magnetickými rezonancemi, identifikaci oblasti postižené rakovinou a prototypického vzhledu rakoviny (typ rakovinného nádoru).

Výzkumníci zjistili, že sítě byly téměř dokonalé v identifikaci normálních snímků mozku s pouze jedním nebo dvěma falešně negativními výsledky a v rozlišování mezi rakovinným a zdravým mozkem. První síť vykazovala průměrnou přesnost 85,99 % v detekci rakoviny mozku, zatímco druhá měla přesnost 83,85 %.

Klíčovou vlastností sítě je mnoho způsobů, jakými lze její rozhodnutí vysvětlit, což zvyšuje důvěru v modely ze strany zdravotnických pracovníků i pacientů. Hluboké modely často nejsou dostatečně transparentní a s rozvojem oboru se schopnost vysvětlit rozhodnutí sítí stává důležitou.

Díky tomuto výzkumu nyní síť dokáže generovat snímky, které zobrazují specifické oblasti v klasifikaci nádoru jako pozitivní nebo negativní. To umožní radiologům porovnat svá rozhodnutí s výsledky sítě a zvýšit tak jistotu, jako by poblíž byl druhý „robotický“ radiolog ukazující na oblast magnetické rezonance, která indikuje nádor.

Vědci se domnívají, že v budoucnu bude důležité zaměřit se na vytváření modelů hlubokých sítí, jejichž rozhodnutí lze popsat intuitivním způsobem, aby umělá inteligence mohla hrát transparentní podpůrnou roli v klinické praxi.

Přestože sítě měly ve všech případech potíže s rozlišováním mezi typy mozkových nádorů, bylo zřejmé, že existují vnitřní rozdíly ve způsobu, jakým byla data v síti reprezentována. Přesnost a srozumitelnost se zlepšily, jakmile byly sítě trénovány k rozpoznávání kamufláže. Přenosové učení vedlo ke zvýšení přesnosti.

Přestože nejlepší testovaný model byl o 6 % méně přesný než standardní lidská detekce, studie úspěšně demonstruje kvantitativní zlepšení dosažené tímto paradigmatem učení. Vědci se domnívají, že toto paradigma spolu s komplexním použitím metod vysvětlitelnosti pomůže vnést potřebnou transparentnost do budoucího klinického výzkumu umělé inteligence.

„Pokroky v umělé inteligenci umožňují přesněji detekovat a rozpoznávat vzory,“ uvedl hlavní autor článku Arash Yazdanbakhsh.

„To zase zlepšuje diagnostiku a screening založené na zobrazování, ale také vyžaduje více vysvětlení toho, jak umělá inteligence provádí úkol. Snaha o vysvětlitelnost mezi umělou inteligencí obecně zlepšuje interakce mezi člověkem a umělou inteligencí. To je obzvláště důležité mezi zdravotnickými pracovníky a umělou inteligencí určenou pro lékařské účely.“

„Jasné a vysvětlitelné modely jsou vhodnější pro usnadnění diagnózy, sledování progrese onemocnění a monitorování léčby.“