Magagamit ng mga radiologist ang AI upang makita ang mga tumor sa utak sa malapit na hinaharap

Ang isang papel na pinamagatang "Deep learning and transfer learning para sa brain tumor detection and classification" na inilathala sa Biology Methods and Protocols ay nagsasabi na ang mga siyentipiko ay maaaring magsanay ng mga modelo ng artificial intelligence (AI) upang makilala ang pagitan ng mga tumor sa utak at malusog na tissue. Ang mga modelo ng AI ay maaari nang makakita ng mga tumor sa utak sa mga imahe ng MRI halos pati na rin sa isang radiologist ng tao.

Ang mga mananaliksik ay gumawa ng matatag na pag-unlad sa paglalapat ng AI sa gamot. Ang AI ay partikular na nangangako sa radiology, kung saan ang paghihintay sa mga technician na magproseso ng mga medikal na larawan ay maaaring maantala ang paggamot sa pasyente. Ang mga convolutional neural network ay mga makapangyarihang tool na nagbibigay-daan sa mga mananaliksik na sanayin ang mga modelo ng AI sa malalaking hanay ng mga larawan para sa pagkilala at pag-uuri.

Sa ganitong paraan, maaaring "matuto" ang mga network na makilala ang mga larawan. Mayroon din silang kakayahang "maglipat ng pag-aaral." Maaaring muling gamitin ng mga siyentipiko ang isang modelong sinanay para sa isang gawain para sa isang bago ngunit nauugnay na proyekto.

Bagama't ang pag-detect ng mga naka-camouflaged na hayop at pag-uuri ng mga tumor sa utak ay nagsasangkot ng iba't ibang uri ng mga imahe, iminungkahi ng mga mananaliksik na mayroong isang parallel sa pagitan ng isang hayop na nagtatago salamat sa natural na pagbabalatkayo at isang grupo ng mga selula ng kanser na nagsasama sa nakapaligid na malusog na tisyu.

Ang natutunang proseso ng generalization—pagpapangkat ng iba't ibang bagay sa ilalim ng iisang identifier—ay mahalaga para sa pag-unawa kung paano makakakita ang network ng mga naka-camouflag na bagay. Ang ganitong pag-aaral ay maaaring maging partikular na kapaki-pakinabang para sa pag-detect ng mga tumor.

Sa retrospective na pag-aaral na ito ng pampublikong magagamit na data ng MRI, sinuri ng mga mananaliksik kung paano maaaring sanayin ang mga modelo ng neural network sa data ng kanser sa utak, na nagpapakilala ng isang natatanging hakbang sa pag-aaral ng paglipat upang makita ang mga may balabal na hayop upang mapabuti ang mga kasanayan sa pagtuklas ng tumor ng network.

Gamit ang mga MRI mula sa mga online na mapagkukunan ng data ng kanser na available sa publiko at kontrolin ang mga larawan ng malulusog na utak (kabilang ang Kaggle, ang NIH Cancer Image Archive, at ang VA Health System sa Boston), sinanay ng mga mananaliksik ang mga network upang makilala ang pagitan ng malusog at cancerous na mga MRI, tukuyin ang lugar na apektado ng kanser, at ang prototypical na hitsura ng cancer (uri ng cancer sa kanser).

Natuklasan ng mga mananaliksik na ang mga network ay halos perpekto sa pagtukoy ng mga normal na imahe ng utak na may isa o dalawang maling negatibo at pagkilala sa pagitan ng kanser at malusog na utak. Ang unang network ay nagpakita ng isang average na katumpakan ng 85.99% sa pag-detect ng kanser sa utak, habang ang pangalawa ay may katumpakan na 83.85%.

Ang isang pangunahing tampok ng network ay ang maraming paraan kung saan maipaliwanag ang mga desisyon nito, na nagpapataas ng tiwala sa mga modelo mula sa mga medikal na propesyonal at pasyente. Ang mga malalim na modelo ay madalas na hindi sapat na transparent, at habang ang larangan ay tumatanda, ang kakayahang ipaliwanag ang mga desisyon ng mga network ay nagiging mahalaga.

Salamat sa pananaliksik na ito, maaari na ngayong bumuo ang network ng mga larawan na nagpapakita ng mga partikular na lugar sa pag-uuri ng isang tumor bilang positibo o negatibo. Papayagan nito ang mga radiologist na suriin ang kanilang mga desisyon laban sa mga resulta ng network, na nagdaragdag ng kumpiyansa na parang may pangalawang "robotic" na radiologist sa malapit na tumuturo sa lugar ng MRI na nagpapahiwatig ng isang tumor.

Sa hinaharap, naniniwala ang mga mananaliksik na mahalagang tumuon sa paglikha ng malalim na mga modelo ng network na ang mga desisyon ay maaaring ilarawan sa mga intuitive na paraan upang ang AI ay maaaring gumanap ng isang malinaw na pagsuporta sa papel sa klinikal na kasanayan.

Bagaman nahihirapan ang mga network na makilala sa pagitan ng mga uri ng tumor sa utak sa lahat ng mga kaso, malinaw na mayroon silang mga intrinsic na pagkakaiba sa kung paano kinakatawan ang data sa loob ng network. Ang katumpakan at kalinawan ay napabuti habang ang mga network ay sinanay upang makilala ang pagbabalatkayo. Ang paglipat ng pag-aaral ay humantong sa pagtaas ng katumpakan.

Bagama't ang pinakamahusay na modelong nasubok ay 6% na hindi gaanong tumpak kaysa sa karaniwang pagtuklas ng tao, matagumpay na naipakita ng pag-aaral ang dami ng pagpapabuti na nakamit sa pamamagitan ng paradigma sa pag-aaral na ito. Naniniwala ang mga mananaliksik na ang paradigm na ito, kasama ang komprehensibong aplikasyon ng mga paraan ng pagpapaliwanag, ay makakatulong na magdala ng kinakailangang transparency sa hinaharap na klinikal na pananaliksik sa AI.

"Ang mga pag-unlad sa AI ay ginagawang posible na makita at makilala ang mga pattern nang mas tumpak," sabi ng nangungunang may-akda ng papel, si Arash Yazdanbakhsh.

"Ito, sa turn, ay nagpapabuti sa mga diagnostic na nakabatay sa imahe at screening, ngunit nangangailangan din ng higit na paliwanag tungkol sa kung paano gumaganap ang AI ng isang gawain.

"Ang mga malilinaw at maipaliwanag na modelo ay mas angkop para makatulong sa pagsusuri, subaybayan ang pag-unlad ng sakit, at subaybayan ang paggamot."