Nove publikacije
Radiolozi će u bliskoj budućnosti moći koristiti umjetnu inteligenciju za otkrivanje tumora mozga
Posljednji pregledao: 02.07.2025
Svi iLive sadržaji medicinski se pregledavaju ili provjeravaju kako bi se osigurala što je moguće točnija činjenica.
Imamo stroge smjernice za pronalaženje izvora i samo povezujemo s uglednim medijskim stranicama, akademskim istraživačkim institucijama i, kad god je to moguće, medicinski pregledanim studijama. Imajte na umu da su brojevi u zagradama ([1], [2], itd.) Poveznice koje se mogu kliknuti na ove studije.
Ako smatrate da je bilo koji od naših sadržaja netočan, zastario ili na neki drugi način upitan, odaberite ga i pritisnite Ctrl + Enter.
Rad pod naslovom "Duboko učenje i transferno učenje za otkrivanje i klasifikaciju tumora mozga" objavljen u časopisu Biology Methods and Protocols kaže da znanstvenici mogu naučiti modele umjetne inteligencije (AI) da razlikuju tumore mozga od zdravog tkiva. Modeli umjetne inteligencije već mogu otkriti tumore mozga na MRI slikama gotovo jednako dobro kao i ljudski radiolog.
Istraživači su postigli stalan napredak u primjeni umjetne inteligencije u medicini. Umjetna inteligencija je posebno obećavajuća u radiologiji, gdje čekanje da tehničari obrade medicinske slike može odgoditi liječenje pacijenata. Konvolucijske neuronske mreže moćni su alati koji istraživačima omogućuju treniranje modela umjetne inteligencije na velikim skupovima slika radi prepoznavanja i klasifikacije.
Na taj način mreže mogu "naučiti" razlikovati slike. Također imaju sposobnost "prijenosa učenja". Znanstvenici mogu ponovno upotrijebiti model obučen za jedan zadatak za novi, ali povezani projekt.
Iako otkrivanje kamufliranih životinja i klasifikacija tumora mozga uključuju vrlo različite vrste slika, istraživači sugeriraju da postoji paralela između životinje koja se skriva zahvaljujući prirodnoj kamuflaži i skupine stanica raka koje se stapaju s okolnim zdravim tkivom.
Naučeni proces generalizacije - grupiranja različitih objekata pod jednim identifikatorom - važan je za razumijevanje kako mreža može otkriti kamuflirane objekte. Takvo učenje moglo bi biti posebno korisno za otkrivanje tumora.
U ovoj retrospektivnoj studiji javno dostupnih MRI podataka, istraživači su ispitali kako se modeli neuronskih mreža mogu trenirati na podacima o raku mozga, uvodeći jedinstveni korak učenja prijenosom za otkrivanje prikrivenih životinja kako bi se poboljšale vještine mreže za otkrivanje tumora.
Koristeći magnetsku rezonancu iz javno dostupnih mrežnih izvora podataka o raku i kontrolne slike zdravih mozgova (uključujući Kaggle, Arhiv slika raka NIH-a i zdravstveni sustav VA u Bostonu), istraživači su obučili mreže za razlikovanje zdravih i kancerogenih magnetskih rezonancija, identificiranje područja zahvaćenog rakom i prototipski izgled raka (vrsta tumora raka).
Istraživači su otkrili da su mreže bile gotovo savršene u identificiranju normalnih slika mozga s samo jednim ili dva lažno negativna rezultata i razlikovanju između kancerogenog i zdravog mozga. Prva mreža pokazala je prosječnu točnost od 85,99% u otkrivanju raka mozga, dok je druga imala točnost od 83,85%.
Ključna značajka mreže su višestruki načini na koje se njezine odluke mogu objasniti, što povećava povjerenje medicinskih stručnjaka i pacijenata u modele. Duboki modeli često nisu dovoljno transparentni, a kako se područje razvija, sposobnost objašnjavanja odluka mreža postaje važna.
Zahvaljujući ovom istraživanju, mreža sada može generirati slike koje prikazuju specifična područja u klasifikaciji tumora kao pozitivnih ili negativnih. To će omogućiti radiolozima da provjere svoje odluke u odnosu na rezultate mreže, dodajući povjerenje kao da se u blizini nalazi drugi "robotski" radiolog koji pokazuje na područje magnetske rezonancije koje ukazuje na tumor.
U budućnosti, istraživači vjeruju da će biti važno usredotočiti se na stvaranje modela dubokih mreža čije se odluke mogu opisati na intuitivan način kako bi umjetna inteligencija mogla igrati transparentnu potpornu ulogu u kliničkoj praksi.
Iako su mreže imale poteškoća s razlikovanjem tipova tumora mozga u svim slučajevima, bilo je jasno da postoje intrinzične razlike u načinu na koji su podaci predstavljeni unutar mreže. Točnost i jasnoća su se poboljšavale kako su mreže bile obučavane za prepoznavanje kamuflaže. Transfer učenje dovelo je do povećane točnosti.
Iako je najbolji testirani model bio 6% manje točan od standardne ljudske detekcije, studija uspješno pokazuje kvantitativno poboljšanje postignuto ovom paradigmom učenja. Istraživači vjeruju da će ova paradigma, zajedno sa sveobuhvatnom primjenom metoda objašnjivosti, pomoći u postizanju potrebne transparentnosti u budućim kliničkim istraživanjima umjetne inteligencije.
„Napredak u umjetnoj inteligenciji omogućuje preciznije otkrivanje i prepoznavanje obrazaca“, rekao je glavni autor rada, Arash Yazdanbakhsh.
„To, pak, poboljšava dijagnostiku i probir temeljene na slikama, ali također zahtijeva više objašnjenja o tome kako umjetna inteligencija obavlja zadatak. Poticaj za objašnjivost umjetne inteligencije općenito poboljšava interakcije ljudi i umjetne inteligencije. To je posebno važno između medicinskih stručnjaka i umjetne inteligencije dizajnirane u medicinske svrhe.“
"Jasni i objašnjivi modeli su prikladniji za pomoć u dijagnozi, praćenje napredovanja bolesti i praćenje liječenja."