Uued väljaanded
Radioloogid saavad lähitulevikus kasutada tehisintellekti ajukasvajate avastamiseks
Viimati vaadatud: 02.07.2025
Kõik iLive'i sisu vaadatakse meditsiiniliselt läbi või seda kontrollitakse, et tagada võimalikult suur faktiline täpsus.
Meil on ranged allhanke juhised ja link ainult mainekate meediakanalite, akadeemiliste teadusasutuste ja võimaluse korral meditsiiniliselt vastastikuste eksperthinnangutega. Pange tähele, et sulgudes ([1], [2] jne) olevad numbrid on nende uuringute linkideks.
Kui tunnete, et mõni meie sisu on ebatäpne, aegunud või muul viisil küsitav, valige see ja vajutage Ctrl + Enter.
Ajakirjas Biology Methods and Protocols avaldatud artiklis pealkirjaga „Süvaõpe ja ülekandeõpe ajukasvajate tuvastamiseks ja klassifitseerimiseks“ öeldakse, et teadlased saavad treenida tehisintellekti (AI) mudeleid eristama ajukasvajaid tervetest kudedest. AI mudelid suudavad juba MRI-piltidelt ajukasvajaid tuvastada peaaegu sama hästi kui inimesest radioloog.
Teadlased on tehisintellekti rakendamisel meditsiinis teinud pidevaid edusamme. Tehisintellekt on eriti paljutõotav radioloogias, kus meditsiiniliste piltide töötlemise ootamine tehnikute poolt võib patsiendi ravi edasi lükata. Konvolutsioonilised närvivõrgud on võimsad tööriistad, mis võimaldavad teadlastel treenida tehisintellekti mudeleid suurte pildikogumite abil äratundmiseks ja klassifitseerimiseks.
Sel viisil saavad võrgud "õppida" pilte eristama. Neil on ka võime "õppimist üle kanda". Teadlased saavad ühe ülesande jaoks treenitud mudelit uue, kuid seotud projekti jaoks uuesti kasutada.
Kuigi kamuflaažiga loomade tuvastamine ja ajukasvajate klassifitseerimine hõlmab väga erinevat tüüpi pilte, pakkusid teadlased välja, et loodusliku kamuflaaži abil peidus oleva looma ja ümbritseva terve koega sulanduva vähirakkude rühma vahel on paralleel.
Õpitud üldistusprotsess – erinevate objektide rühmitamine ühe identifikaatori alla – on oluline, et mõista, kuidas võrk suudab tuvastada maskeeritud objekte. Selline õppimine võib olla eriti kasulik kasvajate avastamisel.
Selles avalikult kättesaadavate MRI-andmete retrospektiivses uuringus uurisid teadlased, kuidas saaks ajukasvaja andmete põhjal treenida närvivõrgu mudeleid, tutvustades ainulaadset ülekandeõppe etappi varjatud loomade tuvastamiseks, et parandada võrgu kasvaja tuvastamise oskusi.
Kasutades avalikult kättesaadavatest veebipõhistest vähiandmete allikatest saadud magnetresonantstomograafiaid (MRI) ja tervete ajude kontrollpilte (sealhulgas Kaggle, NIH vähipiltide arhiiv ja VA tervishoiusüsteem Bostonis), koolitasid teadlased võrgustikke eristama tervete ja vähihaigete MRI-pilte, tuvastama vähist mõjutatud piirkonda ja vähi prototüüpset välimust (vähikasvaja tüüp).
Teadlased leidsid, et võrgustikud olid peaaegu ideaalsed normaalsete ajupiltide tuvastamisel vaid ühe või kahe vale-negatiivsusega ning vähi ja terve aju eristamisel. Esimese võrgustiku keskmine täpsus ajukasvaja tuvastamisel oli 85,99%, teise täpsus aga 83,85%.
Võrgustiku põhijooneks on otsuste selgitamise mitmed viisid, mis suurendab nii meditsiinitöötajate kui ka patsientide usaldust mudelite vastu. Süvamudelid ei ole sageli piisavalt läbipaistvad ning valdkonna küpsedes muutub võrgustike otsuste selgitamise võime oluliseks.
Tänu sellele uuringule saab võrgustik nüüd genereerida pilte, mis näitavad kasvaja klassifikatsiooni teatud piirkondi positiivseks või negatiivseks. See võimaldab radioloogidel oma otsuseid võrgu tulemustega võrrelda, lisades kindlust, justkui oleks läheduses teine "robotradioloog", kes osutab MRI-pildil kasvajale viitavale piirkonnale.
Teadlased usuvad, et tulevikus on oluline keskenduda süvavõrgu mudelite loomisele, mille otsuseid saab kirjeldada intuitiivselt, et tehisintellekt saaks kliinilises praktikas mängida läbipaistvat toetavat rolli.
Kuigi võrgustikel oli kõigil juhtudel raskusi ajukasvaja tüüpide eristamisega, oli selge, et neil olid võrgus andmete esitamise viisid sisemised erinevused. Täpsus ja selgus paranesid, kui võrgustikke treeniti kamuflaaži ära tundma. Ülekanneõpe viis täpsuse suurenemiseni.
Kuigi parim testitud mudel oli 6% vähem täpne kui tavaline inimese poolt tuvastatav mudel, näitab uuring edukalt selle õppimisparadigma abil saavutatud kvantitatiivset paranemist. Teadlased usuvad, et see paradigma koos selgitatavusmeetodite igakülgse rakendamisega aitab tulevastesse kliinilistesse tehisintellekti uuringutesse vajalikku läbipaistvust tuua.
„Tehisintellekti edusammud võimaldavad mustreid täpsemalt tuvastada ja ära tunda,“ ütles artikli juhtiv autor Arash Yazdanbakhsh.
„See omakorda parandab pildipõhist diagnostikat ja sõeluuringuid, aga nõuab ka rohkem selgitusi selle kohta, kuidas tehisintellekt ülesannet täidab. Tehisintellekti selgitatavuse poole püüdlemine parandab üldiselt inimese ja tehisintellekti vahelist suhtlust. See on eriti oluline meditsiinitöötajate ja meditsiiniliseks otstarbeks loodud tehisintellekti vahel.“
"Selged ja selgitatavad mudelid sobivad paremini diagnoosi panemiseks, haiguse progresseerumise jälgimiseks ja ravi jälgimiseks."