Рентгенологи в найближчому майбутньому зможуть використовувати ШІ для виявлення пухлин мозку

У статті під назвою «Глибоке навчання та трансферне навчання для виявлення та класифікації пухлин головного мозку», опублікованій у журналі Biology Methods and Protocols, йдеться про те, що вчені можуть навчити моделі штучного інтелекту (ШІ) розрізняти пухлини головного мозку та здорові тканини. Моделі ШІ вже можуть виявляти пухлини головного мозку на зображеннях МРТ майже так само добре, як і людина-рентгенолог.

Дослідники досягли постійного прогресу у застосуванні штучного інтелекту в медицині. ШІ особливо перспективний у радіології, де очікування на обробку медичних зображень техніками може затримати лікування пацієнтів. Згорткові нейронні мережі – це потужні інструменти, що дозволяють дослідникам навчати моделі ШІ на великих наборах зображень для розпізнавання та класифікації.

Таким чином, мережі можуть «навчатися» розрізняти зображення. Вони також мають здатність «передавати знання». Вчені можуть повторно використовувати модель, навчену для одного завдання, для нового, але пов'язаного проекту.

Хоча виявлення замаскованих тварин та класифікація пухлин головного мозку передбачають дуже різні типи зображень, дослідники припустили, що існує паралель між твариною, яка ховається завдяки природному камуфляжу, та групою ракових клітин, що зливаються з навколишніми здоровими тканинами.

Навчений процес узагальнення — групування різних об'єктів під одним ідентифікатором — важливий для розуміння того, як мережа може виявляти замасковані об'єкти. Таке навчання може бути особливо корисним для виявлення пухлин.

У цьому ретроспективному дослідженні загальнодоступних даних МРТ дослідники досліджували, як моделі нейронних мереж можна навчати на даних про рак мозку, запровадивши унікальний крок перенесення навчання для виявлення тварин, що перебувають у маскуванні, з метою покращення навичок мережі щодо виявлення пухлин.

Використовуючи МРТ-знімки із загальнодоступних онлайн-джерел даних про рак та контрольні зображення здорового мозку (включаючи Kaggle, Архів зображень раку NIH та Систему охорони здоров'я VA у Бостоні), дослідники навчили мережі розрізняти МРТ-знімки здорових людей від ракових, визначати ділянку, уражену раком, та прототипний вигляд раку (тип ракової пухлини).

Дослідники виявили, що мережі майже ідеально ідентифікували зображення нормального мозку лише з одним або двома хибнонегативними результатами та розрізняли раковий та здоровий мозок. Перша мережа показала середню точність 85,99% у виявленні раку мозку, тоді як друга мала точність 83,85%.

Ключовою особливістю мережі є численні способи пояснення її рішень, що підвищує довіру до моделей з боку медичних працівників та пацієнтів. Глибинні моделі часто недостатньо прозорі, і з розвитком цієї галузі здатність пояснювати рішення мереж стає важливою.

Завдяки цьому дослідженню мережа тепер може генерувати зображення, які показують певні ділянки в класифікації пухлини як позитивні або негативні. Це дозволить радіологам перевірити свої рішення на відповідність результатам мережі, додаючи впевненості, ніби поруч є другий «роботизований» радіолог, який вказує на ділянку МРТ, що вказує на пухлину.

У майбутньому дослідники вважають, що важливо зосередитися на створенні моделей глибоких мереж, рішення яких можна буде описувати інтуїтивно зрозумілим чином, щоб штучний інтелект міг відігравати прозору допоміжну роль у клінічній практиці.

Хоча мережі мали труднощі з розрізненням типів пухлин головного мозку у всіх випадках, було очевидно, що вони мали суттєві відмінності у тому, як дані були представлені в мережі. Точність і чіткість покращилися, оскільки мережі були навчені розпізнавати камуфляж. Переносне навчання призвело до підвищення точності.

Хоча найкраща протестована модель була на 6% менш точною, ніж стандартне виявлення людиною, дослідження успішно демонструє кількісне покращення, досягнуте завдяки цій парадигмі навчання. Дослідники вважають, що ця парадигма, у поєднанні з комплексним застосуванням методів пояснювальності, допоможе забезпечити необхідну прозорість у майбутніх клінічних дослідженнях штучного інтелекту.

«Досягнення у сфері штучного інтелекту дозволяють точніше виявляти та розпізнавати закономірності», – сказав провідний автор статті Араш Язданбахш.

«Це, у свою чергу, покращує діагностику та скринінг на основі зображень, але також вимагає додаткових пояснень щодо того, як ШІ виконує завдання. Прагнення до пояснимості ШІ покращує взаємодію людини та ШІ загалом. Це особливо важливо між медичними працівниками та ШІ, розробленим для медичних цілей».

«Чіткі та зрозумілі моделі краще підходять для діагностики, відстеження прогресування захворювання та моніторингу лікування».