Netolimoje ateityje radiologai galės naudoti dirbtinį intelektą smegenų augliams aptikti

Straipsnyje pavadinimu „Gilus mokymasis ir mokymosi perkėlimas smegenų auglių aptikimui ir klasifikavimui“ (angl. „Deep learning and transfer learning for brain auglių detection and classification“), paskelbtame žurnale „Biology Methods and Protocols“, teigiama, kad mokslininkai gali apmokyti dirbtinio intelekto (DI) modelius atskirti smegenų auglius nuo sveikų audinių. DI modeliai jau gali aptikti smegenų auglius MRT vaizduose beveik taip pat gerai, kaip ir žmogus radiologas.

Tyrėjai nuolat daro pažangą taikydami dirbtinį intelektą medicinoje. Dirbtinis intelektas ypač perspektyvus radiologijoje, kur laukimas, kol technikai apdoros medicininius vaizdus, gali atidėti pacientų gydymą. Konvoliuciniai neuroniniai tinklai yra galingi įrankiai, leidžiantys tyrėjams apmokyti dirbtinio intelekto modelius dideliuose vaizdų rinkiniuose, kad juos atpažintų ir klasifikuotų.

Tokiu būdu tinklai gali „išmokti“ atskirti vaizdus. Jie taip pat turi galimybę „perduoti mokymąsi“. Mokslininkai gali pakartotinai panaudoti vienai užduočiai apmokytą modelį naujam, bet susijusiam projektui.

Nors maskuojamų gyvūnų aptikimas ir smegenų auglių klasifikavimas apima labai skirtingus vaizdų tipus, tyrėjai teigė, kad yra paralelė tarp gyvūno, besislepiančio dėl natūralaus maskuotės, ir vėžio ląstelių grupės, susiliejančios su aplinkiniais sveikais audiniais.

Išmoktas apibendrinimo procesas – skirtingų objektų grupavimas po vienu identifikatoriumi – yra svarbus norint suprasti, kaip tinklas gali aptikti užmaskuotus objektus. Toks mokymasis galėtų būti ypač naudingas aptinkant navikus.

Šiame retrospektyviniame viešai prieinamų MRT duomenų tyrime tyrėjai nagrinėjo, kaip neuroninių tinklų modelius būtų galima apmokyti naudojant smegenų vėžio duomenis, įvedant unikalų mokymosi perkėlimo žingsnį, skirtą aptikti užmaskuotus gyvūnus, siekiant pagerinti tinklo navikų aptikimo įgūdžius.

Naudodami MRT vaizdus iš viešai prieinamų internetinių vėžio duomenų šaltinių ir sveikų smegenų kontrolinius vaizdus (įskaitant „Kaggle“, NIH vėžio vaizdų archyvą ir VA sveikatos sistemą Bostone), tyrėjai apmokė tinklus atskirti sveikų ir vėžinių smegenų MRT vaizdus, nustatyti vėžio pažeistą sritį ir prototipinę vėžio išvaizdą (vėžinio naviko tipą).

Tyrėjai nustatė, kad tinklai beveik idealiai atpažino normalius smegenų vaizdus, pateikdami tik vieną ar du klaidingai neigiamus rezultatus, ir atskyrė vėžines ir sveikas smegenis. Pirmasis tinklas parodė vidutinį 85,99 % tikslumą nustatant smegenų vėžį, o antrasis – 83,85 %.

Svarbiausias tinklo bruožas yra keli būdai, kuriais galima paaiškinti jo sprendimus, o tai didina medicinos specialistų ir pacientų pasitikėjimą modeliais. Gilieji modeliai dažnai nėra pakankamai skaidrūs, todėl sričiai bręstant, gebėjimas paaiškinti tinklų sprendimus tampa svarbus.

Dėl šio tyrimo tinklas dabar gali generuoti vaizdus, kuriuose parodytos konkrečios naviko klasifikacijos sritys kaip teigiamos arba neigiamos. Tai leis radiologams patikrinti savo sprendimus pagal tinklo rezultatus, suteikiant pasitikėjimo, tarsi netoliese būtų antras „robotas“ radiologas, rodantis į MRT sritį, kurioje yra navikas.

Ateityje tyrėjai mano, kad bus svarbu sutelkti dėmesį į giliųjų tinklo modelių, kurių sprendimus būtų galima aprašyti intuityviai, kūrimą, kad dirbtinis intelektas galėtų atlikti skaidrų pagalbinį vaidmenį klinikinėje praktikoje.

Nors tinklams visais atvejais buvo sunku atskirti smegenų auglių tipus, buvo akivaizdu, kad jie turėjo esminių skirtumų, kaip duomenys buvo pateikiami tinkle. Tikslumas ir aiškumas pagerėjo, kai tinklai buvo apmokyti atpažinti maskuotę. Perkeliamasis mokymasis padidino tikslumą.

Nors geriausias išbandytas modelis buvo 6 % mažiau tikslus nei standartinis žmogaus aptikimas, tyrimas sėkmingai parodo kiekybinį pagerėjimą, pasiektą taikant šią mokymosi paradigmą. Tyrėjai mano, kad ši paradigma kartu su visapusišku paaiškinamumo metodų taikymu padės užtikrinti reikiamą skaidrumą būsimuose klinikiniuose dirbtinio intelekto tyrimuose.

„Dirbtinio intelekto pažanga leidžia tiksliau aptikti ir atpažinti modelius“, – teigė pagrindinis straipsnio autorius Arashas Yazdanbakhshas.

„Tai, savo ruožtu, pagerina vaizdais pagrįstą diagnostiką ir patikras, tačiau taip pat reikia daugiau paaiškinimų apie tai, kaip dirbtinis intelektas atlieka užduotį. Dirbtinio intelekto paaiškinamumo siekis pagerina žmogaus ir dirbtinio intelekto sąveiką apskritai. Tai ypač svarbu tarp medicinos specialistų ir medicininiais tikslais sukurto dirbtinio intelekto.“

"Aiškūs ir paaiškinami modeliai geriau tinka diagnozei nustatyti, ligos progresavimui stebėti ir gydymui stebėti."