Τεχνητή νοημοσύνη καλύτερα από τους ανθρώπους για τον εντοπισμό καρκίνου του πνεύμονα
Οι ερευνητές έχουν χρησιμοποιήσει έναν αλγόριθμο βαθιάς μάθησης για τον ακριβή εντοπισμό του καρκίνου του πνεύμονα από υπολογιστικές τομογραφικές σαρώσεις. Τα αποτελέσματα της μελέτης δείχνουν ότι η τεχνητή νοημοσύνη μπορεί να ξεπεράσει την ανθρώπινη αξιολόγηση αυτών των σαρώσεων.
Ο καρκίνος του πνεύμονα προκαλεί σχεδόν 160.000 θανάτους στις Ηνωμένες Πολιτείες, σύμφωνα με τις πιο πρόσφατες εκτιμήσεις. Η κατάσταση είναι η κύρια αιτία θανάτου που σχετίζεται με καρκίνο στις ΗΠΑ και η έγκαιρη ανίχνευση είναι ζωτικής σημασίας τόσο για τη διακοπή της εξάπλωσης όγκων όσο και για τη βελτίωση των αποτελεσμάτων των ασθενών.
Ως εναλλακτική λύση στις ακτινογραφίες στο στήθος, οι επαγγελματίες του τομέα της υγείας χρησιμοποίησαν πρόσφατα υπολογιστικές τομογραφίες (CT) για να ελέγξουν για καρκίνο του πνεύμονα.
Στην πραγματικότητα, ορισμένοι επιστήμονες υποστηρίζουν ότι οι αξονικές τομογραφίες είναι ανώτερες από τις ακτίνες Χ για την ανίχνευση καρκίνου του πνεύμονα και η έρευνα έδειξε ότι η CT χαμηλής δόσης (LDCT) συγκεκριμένα μείωσε τους θανάτους από καρκίνο του πνεύμονα κατά 20%.
Ωστόσο, ένα υψηλό ποσοστό ψευδών θετικών και ψευδών αρνητικών εξακολουθεί να γεμίζει τη διαδικασία LDCT. Αυτά τα σφάλματα συνήθως καθυστερούν τη διάγνωση του καρκίνου του πνεύμονα έως ότου η ασθένεια φτάσει σε προχωρημένο στάδιο όταν γίνεται πολύ δύσκολο να αντιμετωπιστεί.
Νέα έρευνα μπορεί να προστατεύσει από αυτά τα σφάλματα. Μια ομάδα επιστημόνων έχει χρησιμοποιήσει τεχνικές τεχνητής νοημοσύνης (AI) για να ανιχνεύσει όγκους των πνευμόνων σε σαρώσεις LDCT.
Ο Daniel Tse, από την ομάδα της Google Health Research στο Mountain View, CA, είναι ο αντίστοιχος συγγραφέας της μελέτης, τα ευρήματα της οποίας εμφανίζονται στο περιοδικό Φυσική Ιατρική.
«Το μοντέλο ξεπέρασε τους έξι ακτινολόγους»
Ο Tse και οι συνεργάτες του εφάρμοσαν μια μορφή AI που ονομάζεται deep learning σε 42.290 σαρώσεις LDCT, στις οποίες είχαν πρόσβαση από την Northwestern Electronic Data Warehouse και από άλλες πηγές δεδομένων που ανήκουν στα νοσοκομεία Northwestern Medicine στο Σικάγο.
Ο αλγόριθμος βαθιάς μάθησης επιτρέπει στους υπολογιστές να μάθουν με παράδειγμα. Σε αυτήν την περίπτωση, οι ερευνητές εκπαίδευσαν το σύστημα χρησιμοποιώντας μια κύρια σάρωση LDCT μαζί με μια προηγούμενη σάρωση LDCT, αν ήταν διαθέσιμη.
Οι προηγούμενες σαρώσεις LDCT είναι χρήσιμες επειδή μπορούν να αποκαλύψουν έναν ανώμαλο ρυθμό ανάπτυξης των οζιδίων των πνευμόνων, υποδεικνύοντας έτσι κακοήθεια.
Στην τρέχουσα μελέτη, το AI παρείχε ένα «αυτοματοποιημένο σύστημα αξιολόγησης εικόνας» που προέβλεπε με ακρίβεια την κακοήθεια των πνευμονικών οζιδίων χωρίς καμία ανθρώπινη παρέμβαση.
Οι ερευνητές συνέκριναν τις αξιολογήσεις της τεχνητής νοημοσύνης με εκείνες των έξι Αμερικανών ακτινολόγων πιστοποιημένων από το διοικητικό συμβούλιο που είχαν έως και 20 χρόνια κλινικής εμπειρίας.
Όταν οι προηγούμενες σαρώσεις LDCT δεν ήταν διαθέσιμες, το μοντέλο «AI» ξεπέρασε τους έξι ακτινολόγους με απόλυτες μειώσεις 11% σε ψευδώς θετικά και 5% σε ψευδώς αρνητικά », αναφέρουν οι Tse και συνεργάτες. Όταν η προηγούμενη απεικόνιση ήταν διαθέσιμη, η τεχνητή νοημοσύνη είχε την ίδια απόδοση όπως και οι ακτινολόγοι.
Ο συν-συγγραφέας της μελέτης Dr. Mozziyar Etemadi, βοηθός καθηγητής αναισθησιολογίας στη Σχολή Ιατρικής του Πανεπιστημίου Northwestern Feinberg στο Σικάγο, εξηγεί γιατί η AI μπορεί να ξεπεράσει την ανθρώπινη αξιολόγηση.
«Οι ακτινολόγοι εξετάζουν γενικά εκατοντάδες 2D εικόνες ή« φέτες »σε μία μόνο αξονική τομογραφία, αλλά αυτό το νέο σύστημα μηχανικής εκμάθησης βλέπει τους πνεύμονες σε μια τεράστια, μονή τρισδιάστατη εικόνα», λέει ο Δρ Etemadi.
«Το AI σε 3D μπορεί να είναι πολύ πιο ευαίσθητο στην ικανότητά του να ανιχνεύει πρώιμο καρκίνο του πνεύμονα από το ανθρώπινο μάτι που βλέπει 2D εικόνες. Αυτό είναι τεχνικά «4D», επειδή δεν εξετάζει μόνο μία σάρωση CT, αλλά δύο (την τρέχουσα και την προηγούμενη σάρωση) με την πάροδο του χρόνου. "
Δρ Mozziyar Etemadi
"Για να δημιουργήσετε το AI για να δείτε τα CT με αυτόν τον τρόπο, χρειάζεστε ένα τεράστιο σύστημα υπολογιστή σε κλίμακα Google", συνεχίζει. «Η ιδέα είναι μυθιστόρημα, αλλά η πραγματική μηχανική της είναι επίσης νέα λόγω της κλίμακας.»
Ο Δρ Etemadi συνεχίζει να απονέμει τα οφέλη από τη χρήση της τεχνολογίας βαθιάς μάθησης, τονίζοντας την ακρίβειά του. «Το σύστημα μπορεί να κατηγοριοποιήσει μια βλάβη με περισσότερη ειδικότητα», λέει ο ερευνητής.
«Όχι μόνο μπορούμε να διαγνώσουμε καλύτερα κάποιον με καρκίνο, αλλά μπορούμε επίσης να πούμε εάν κάποιος δεν έχει καρκίνο, ενδεχομένως να τον σώσει από μια επεμβατική, δαπανηρή και επικίνδυνη βιοψία των πνευμόνων», καταλήγει ο Δρ Etemadi.
Ωστόσο, οι ερευνητές προειδοποιούν ότι είναι πρώτα απαραίτητο να επικυρωθούν αυτά τα αποτελέσματα σε μεγαλύτερες ομάδες.
