Radiologi bodo lahko v bližnji prihodnosti z umetno inteligenco odkrivali možganske tumorje.

Članek z naslovom »Globoko učenje in prenosno učenje za odkrivanje in klasifikacijo možganskih tumorjev«, objavljen v reviji Biology Methods and Protocols, pravi, da lahko znanstveniki usposobijo modele umetne inteligence (UI) za razlikovanje med možganskimi tumorji in zdravim tkivom. Modeli UI lahko že zdaj zaznajo možganske tumorje na slikah MRI skoraj tako dobro kot človeški radiolog.

Raziskovalci so dosegli stalen napredek pri uporabi umetne inteligence v medicini. Umetna inteligenca je še posebej obetavna v radiologiji, kjer lahko čakanje na obdelavo medicinskih slik tehnikov odloži zdravljenje pacientov. Konvolucijske nevronske mreže so zmogljiva orodja, ki raziskovalcem omogočajo učenje modelov umetne inteligence na velikih naborih slik za prepoznavanje in razvrščanje.

Na ta način se lahko omrežja »naučijo« razlikovati med slikami. Imajo tudi sposobnost »prenosa učenja«. Znanstveniki lahko model, usposobljen za eno nalogo, ponovno uporabijo za nov, a povezan projekt.

Čeprav odkrivanje kamufliranih živali in razvrščanje možganskih tumorjev vključujeta zelo različne vrste slik, so raziskovalci predlagali, da obstaja vzporednica med živaljo, ki se skriva zaradi naravne kamuflaže, in skupino rakavih celic, ki se zlijejo z okoliškim zdravim tkivom.

Naučeni proces posploševanja – združevanja različnih objektov pod enim samim identifikatorjem – je pomemben za razumevanje, kako lahko omrežje zazna prikrite objekte. Takšno učenje bi lahko bilo še posebej uporabno za odkrivanje tumorjev.

V tej retrospektivni študiji javno dostopnih podatkov MRI so raziskovalci preučili, kako bi lahko modele nevronskih mrež usposobili na podatkih o raku možganov, pri čemer so uvedli edinstven korak prenosnega učenja za odkrivanje skritih živali, da bi izboljšali sposobnosti omrežja za odkrivanje tumorjev.

Z uporabo MRI iz javno dostopnih spletnih virov podatkov o raku in kontrolnih slik zdravih možganov (vključno s Kaggle, arhivom slik raka NIH in zdravstvenim sistemom VA v Bostonu) so raziskovalci usposobili omrežja za razlikovanje med zdravimi in rakavimi MRI, prepoznavanje območja, ki ga je prizadel rak, in prototipnega videza raka (vrsta rakavega tumorja).

Raziskovalci so ugotovili, da so omrežja skoraj popolna pri prepoznavanju normalnih slik možganov z le enim ali dvema lažno negativnima rezultatoma in pri razlikovanju med rakavimi in zdravimi možgani. Prvo omrežje je pokazalo povprečno natančnost 85,99 % pri odkrivanju raka možganov, drugo pa 83,85 %.

Ključna značilnost omrežja je več načinov, kako je mogoče pojasniti njegove odločitve, kar povečuje zaupanje zdravstvenih delavcev in pacientov v modele. Globoki modeli pogosto niso dovolj pregledni in z dozorevanjem področja postaja pomembna sposobnost pojasnjevanja odločitev omrežij.

Zahvaljujoč tej raziskavi lahko omrežje zdaj ustvari slike, ki prikazujejo specifična področja pri razvrstitvi tumorja kot pozitivnega ali negativnega. To bo radiologom omogočilo, da svoje odločitve preverijo glede na rezultate omrežja, kar bo dodalo zaupanje, kot da bi bil v bližini še en "robotski" radiolog, ki bi kazal na območje MRI, ki kaže na tumor.

Raziskovalci menijo, da se bo v prihodnosti pomembno osredotočiti na ustvarjanje modelov globokih omrežij, katerih odločitve je mogoče opisati na intuitiven način, da bo umetna inteligenca lahko igrala pregledno podporno vlogo v klinični praksi.

Čeprav so imela omrežja v vseh primerih težave z razlikovanjem med vrstami možganskih tumorjev, je bilo jasno, da obstajajo notranje razlike v načinu predstavitve podatkov znotraj omrežja. Natančnost in jasnost sta se izboljšali, ko so bila omrežja usposobljena za prepoznavanje kamuflaže. Prenosno učenje je privedlo do večje natančnosti.

Čeprav je bil najboljši testirani model 6 % manj natančen kot standardno človeško zaznavanje, študija uspešno prikazuje kvantitativno izboljšanje, doseženo s to učno paradigmo. Raziskovalci verjamejo, da bo ta paradigma, skupaj s celovito uporabo metod razlage, pripomogla k potrebni preglednosti v prihodnjih kliničnih raziskavah umetne inteligence.

»Napredek umetne inteligence omogoča natančnejše zaznavanje in prepoznavanje vzorcev,« je dejal glavni avtor članka Arash Yazdanbakhsh.

"To pa posledično izboljša diagnostiko in presejalne preglede na podlagi slik, vendar zahteva tudi več razlag o tem, kako umetna inteligenca opravlja nalogo. Prizadevanje za razlago umetne inteligence na splošno izboljšuje interakcije med človekom in umetno inteligenco. To je še posebej pomembno med zdravstvenimi delavci in umetno inteligenco, zasnovano za medicinske namene."

"Jasni in razložljivi modeli so bolj primerni za pomoč pri diagnozi, sledenju napredovanja bolezni in spremljanju zdravljenja."