Czy sztuczna inteligencja może być przyszłością diagnostyki raka?
W ostatnich badaniach naukowcy wytrenowali algorytm do rozróżniania złośliwych i łagodnych zmian w skanach tkanki piersi.
W przypadku raka kluczem do skutecznego leczenia jest wczesne wykrycie go.
W obecnym stanie lekarze mają dostęp do wysokiej jakości obrazowania, a wykwalifikowani radiolodzy mogą wykryć charakterystyczne oznaki nieprawidłowego wzrostu.
Po zidentyfikowaniu następnym krokiem dla lekarzy jest ustalenie, czy wzrost jest łagodny, czy złośliwy.
Najbardziej niezawodną metodą jest wykonanie biopsji, która jest zabiegiem inwazyjnym.
Nawet wtedy mogą wystąpić błędy. Niektórzy ludzie otrzymują diagnozę raka, gdy nie ma choroby, podczas gdy inni nie otrzymują diagnozy, gdy rak jest obecny.
Oba skutki powodują niepokój, a ta druga sytuacja może powodować opóźnienia w leczeniu.
Naukowcy chcą ulepszyć proces diagnostyczny, aby uniknąć tych problemów. Wykrywanie, czy zmiana jest złośliwa czy łagodna, w bardziej wiarygodny sposób i bez konieczności wykonywania biopsji, zmieniłoby zasady gry.
Niektórzy naukowcy badają potencjał sztucznej inteligencji (AI). W niedawnych badaniach naukowcy wytrenowali algorytm, którego wyniki są zachęcające.
AI i elastografia
Elastografia ultrasonograficzna to stosunkowo nowa technika diagnostyczna, która bada sztywność tkanki piersi. Osiąga to poprzez wibrowanie tkanki, która tworzy falę. Fala ta powoduje zniekształcenie w USG, uwydatniając obszary piersi, których właściwości różnią się od otaczającej tkanki.
Na podstawie tych informacji lekarz może określić, czy zmiana jest nowotworowa, czy łagodna.
Chociaż metoda ta ma duży potencjał, analiza wyników elastografii jest czasochłonna, składa się z kilku etapów i wymaga rozwiązywania złożonych problemów.
Niedawno grupa naukowców z Viterbi School of Engineering na Uniwersytecie Południowej Kalifornii w Los Angeles zapytała, czy algorytm mógłby zmniejszyć liczbę kroków potrzebnych do wyciągnięcia informacji z tych obrazów. Opublikowali swoje wyniki w czasopiśmie Metody komputerowe w mechanice stosowanej i inżynierii.
Naukowcy chcieli sprawdzić, czy mogą wytrenować algorytm do rozróżniania złośliwych i łagodnych zmian w skanach piersi. Co ciekawe, próbowali to osiągnąć, ucząc algorytm przy użyciu syntetycznych danych, a nie prawdziwych skanów.
Dane syntetyczne
Na pytanie, dlaczego zespół wykorzystał dane syntetyczne, główny autor, prof. Assad Oberai, mówi, że sprowadza się to do dostępności danych ze świata rzeczywistego. Wyjaśnia, że „w przypadku obrazowania medycznego masz szczęście, jeśli masz 1000 obrazów. W takich sytuacjach, w których brakuje danych, tego rodzaju techniki stają się ważne ”.
Naukowcy wyszkolili swój algorytm uczenia maszynowego, który nazywają głęboką konwolucyjną siecią neuronową, używając ponad 12 000 syntetycznych obrazów.
Pod koniec procesu algorytm był w 100% dokładny w przypadku obrazów syntetycznych; następnie przeszli do prawdziwych skanów. Mieli dostęp do zaledwie 10 skanów: połowa z nich wykazała zmiany złośliwe, a druga połowa przedstawiała zmiany łagodne.
„Mieliśmy około 80% wskaźnik dokładności. Następnie kontynuujemy udoskonalanie algorytmu, wykorzystując więcej obrazów ze świata rzeczywistego jako danych wejściowych ”.
Prof. Assad Oberai
Chociaż 80% jest dobre, to nie wystarczy - to jednak dopiero początek procesu. Autorzy uważają, że gdyby wyszkolili algorytm na rzeczywistych danych, mógłby wykazać lepszą dokładność. Naukowcy przyznają również, że ich test był zbyt mały, aby przewidzieć przyszłe możliwości systemu.
Rozwój AI
W ostatnich latach rośnie zainteresowanie wykorzystaniem sztucznej inteligencji w diagnostyce. Jak pisze jeden z autorów:
„Sztuczna inteligencja jest z powodzeniem stosowana do analizy obrazu w radiologii, patologii i dermatologii, z szybkością diagnostyczną przekraczającą i dokładnością porównywalną z ekspertami medycznymi”.
Jednak prof. Oberai nie wierzy, że sztuczna inteligencja może kiedykolwiek zastąpić wyszkolonego człowieka. Wyjaśnia, że „[z] on ogólnym konsensusem jest to, że te typy algorytmów mają do odegrania znaczącą rolę, w tym od specjalistów od obrazowania, na których będzie to miało największy wpływ. Jednak te algorytmy będą najbardziej przydatne, gdy nie będą służyć jako czarne skrzynki. Co zobaczył, co doprowadziło go do ostatecznego wniosku? Algorytm musi być możliwy do wyjaśnienia, aby działał zgodnie z przeznaczeniem ”.
Naukowcy mają nadzieję, że uda im się rozszerzyć swoją nową metodę diagnozowania innych rodzajów raka. Wszędzie tam, gdzie rośnie guz, fizycznie zmienia się zachowanie tkanki. Powinno być możliwe sporządzenie wykresu tych różnic i wyszkolenie algorytmu, aby je wykryć.
Jednak ponieważ każdy rodzaj raka tak różnie oddziałuje z otoczeniem, algorytm będzie musiał przezwyciężyć szereg problemów dla każdego typu. Już teraz prof. Oberai pracuje nad tomografią komputerową raka nerki, aby znaleźć sposoby, w jakie sztuczna inteligencja może pomóc w diagnozowaniu tam raka.
Chociaż są to wczesne dni stosowania sztucznej inteligencji w diagnostyce raka, istnieją duże nadzieje na przyszłość.
