Θα μπορούσε η τεχνητή νοημοσύνη να είναι το μέλλον της διάγνωσης του καρκίνου;
Σε μια πρόσφατη μελέτη, οι ερευνητές εκπαίδευσαν έναν αλγόριθμο για τη διάκριση μεταξύ κακοηθών και καλοήθων αλλοιώσεων σε σαρώσεις ιστού μαστού.
Με τον καρκίνο, το κλειδί για την επιτυχή θεραπεία είναι να το πιάσουμε νωρίς.
Όπως ισχύει, οι γιατροί έχουν πρόσβαση σε υψηλής ποιότητας απεικόνιση και ειδικευμένοι ακτινολόγοι μπορούν να εντοπίσουν τα ενδεικτικά σημάδια μη φυσιολογικής ανάπτυξης.
Μόλις εντοπιστεί, το επόμενο βήμα είναι οι γιατροί να εξακριβώσουν εάν η ανάπτυξη είναι καλοήθης ή κακοήθης.
Η πιο αξιόπιστη μέθοδος είναι η λήψη βιοψίας, η οποία είναι επεμβατική διαδικασία.
Ακόμα και τότε, μπορεί να προκύψουν σφάλματα. Μερικοί άνθρωποι λαμβάνουν διάγνωση καρκίνου όπου δεν υπάρχει ασθένεια, ενώ άλλοι δεν λαμβάνουν διάγνωση όταν υπάρχει καρκίνος.
Και τα δύο αποτελέσματα προκαλούν δυσφορία και η τελευταία κατάσταση μπορεί να προκαλέσει καθυστερήσεις στη θεραπεία.
Οι ερευνητές επιθυμούν να βελτιώσουν τη διαγνωστική διαδικασία για να αποφύγουν αυτά τα ζητήματα. Η ανίχνευση εάν μια βλάβη είναι κακοήθη ή καλοήθη πιο αξιόπιστα και χωρίς την ανάγκη για βιοψία θα ήταν ένα παιχνίδι αλλαγής.
Μερικοί επιστήμονες ερευνούν τις δυνατότητες της τεχνητής νοημοσύνης (AI). Σε μια πρόσφατη μελέτη, οι επιστήμονες εκπαίδευσαν έναν αλγόριθμο με ενθαρρυντικά αποτελέσματα.
AI και ελαστογραφία
Η ελαστογραφία υπερήχων είναι μια σχετικά νέα διαγνωστική τεχνική που ελέγχει την ακαμψία του ιστού του μαστού. Αυτό το επιτυγχάνει δονώντας τον ιστό, ο οποίος δημιουργεί ένα κύμα. Αυτό το κύμα προκαλεί παραμόρφωση στη σάρωση υπερήχων, επισημαίνοντας περιοχές του μαστού όπου οι ιδιότητες διαφέρουν από τον περιβάλλοντα ιστό.
Από αυτές τις πληροφορίες, είναι δυνατό για έναν γιατρό να προσδιορίσει εάν μια βλάβη είναι καρκινική ή καλοήθης.
Αν και αυτή η μέθοδος έχει μεγάλες δυνατότητες, η ανάλυση των αποτελεσμάτων της ελαστογραφίας είναι χρονοβόρα, περιλαμβάνει πολλά βήματα και απαιτεί την επίλυση πολύπλοκων προβλημάτων.
Πρόσφατα, μια ομάδα ερευνητών από τη Σχολή Μηχανικών του Viterbi στο Πανεπιστήμιο της Νότιας Καλιφόρνιας στο Λος Άντζελες ρώτησε εάν ένας αλγόριθμος θα μπορούσε να μειώσει τα βήματα που απαιτούνται για τη λήψη πληροφοριών από αυτές τις εικόνες. Δημοσίευσαν τα αποτελέσματά τους στο περιοδικό Μέθοδοι Υπολογιστών στην Εφαρμοσμένη Μηχανική και Μηχανική.
Οι ερευνητές ήθελαν να δουν αν θα μπορούσαν να εκπαιδεύσουν έναν αλγόριθμο για τη διάκριση μεταξύ κακοηθών και καλοήθων αλλοιώσεων στις σαρώσεις μαστού. Είναι ενδιαφέρον ότι προσπάθησαν να το επιτύχουν αυτό εκπαιδεύοντας τον αλγόριθμο χρησιμοποιώντας συνθετικά δεδομένα και όχι γνήσιες σαρώσεις.
Συνθετικά δεδομένα
Όταν ρωτήθηκε γιατί η ομάδα χρησιμοποίησε συνθετικά δεδομένα, ο επικεφαλής συγγραφέας καθηγητής Assad Oberai λέει ότι εξαρτάται από τη διαθεσιμότητα δεδομένων πραγματικού κόσμου. Εξηγεί ότι «στην περίπτωση της ιατρικής απεικόνισης, είστε τυχεροί εάν έχετε 1.000 εικόνες. Σε καταστάσεις όπως αυτή, όπου τα δεδομένα είναι λιγοστά, αυτά τα είδη τεχνικών καθίστανται σημαντικά. "
Οι ερευνητές εκπαίδευσαν τον αλγόριθμο μηχανικής μάθησης, στον οποίο αναφέρονται ως ένα βαθύ συνελικτικό νευρικό δίκτυο, χρησιμοποιώντας περισσότερες από 12.000 συνθετικές εικόνες.
Μέχρι το τέλος της διαδικασίας, ο αλγόριθμος ήταν 100% ακριβής στις συνθετικές εικόνες. Στη συνέχεια, προχώρησαν σε πραγματικές σαρώσεις. Είχαν πρόσβαση σε μόλις 10 σαρώσεις: οι μισές από τις οποίες έδειξαν κακοήθεις βλάβες και οι άλλες μισές εικόνες καλοήθεις βλάβες.
«Είχαμε ποσοστό ακρίβειας περίπου 80%. Στη συνέχεια, συνεχίζουμε να βελτιώνουμε τον αλγόριθμο χρησιμοποιώντας περισσότερες εικόνες πραγματικού κόσμου ως εισόδους. "
Καθηγητής Assad Oberai
Αν και το 80% είναι καλό, δεν είναι αρκετά καλό - ωστόσο, αυτή είναι μόνο η αρχή της διαδικασίας. Οι συγγραφείς πιστεύουν ότι αν είχαν εκπαιδεύσει τον αλγόριθμο σε πραγματικά δεδομένα, θα μπορούσε να έχει βελτιωμένη ακρίβεια. Οι ερευνητές αναγνωρίζουν επίσης ότι η δοκιμή τους ήταν πολύ μικρή για να προβλέψει τις μελλοντικές δυνατότητες του συστήματος.
Η ανάπτυξη της τεχνητής νοημοσύνης
Τα τελευταία χρόνια, υπάρχει ένα αυξανόμενο ενδιαφέρον για τη χρήση της τεχνητής νοημοσύνης στη διαγνωστική. Όπως γράφει ένας συγγραφέας:
«Η τεχνητή νοημοσύνη εφαρμόζεται επιτυχώς για ανάλυση εικόνας στην ακτινολογία, την παθολογία και τη δερματολογία, με υπέρβαση της διαγνωστικής ταχύτητας και παράλληλη ακρίβεια, γιατρούς».
Ωστόσο, ο καθηγητής Oberai δεν πιστεύει ότι η AI μπορεί ποτέ να αντικαταστήσει έναν εκπαιδευμένο ανθρώπινο χειριστή. Εξηγεί ότι «η γενική συναίνεση είναι ότι αυτοί οι τύποι αλγορίθμων μπορούν να διαδραματίσουν σημαντικό ρόλο, συμπεριλαμβανομένων των επαγγελματιών απεικόνισης που θα επηρεάσουν περισσότερο. Ωστόσο, αυτοί οι αλγόριθμοι θα είναι πιο χρήσιμοι όταν δεν λειτουργούν ως μαύρα κουτιά. Τι είδε που το οδήγησε στο τελικό συμπέρασμα; Ο αλγόριθμος πρέπει να είναι επεξηγηματικός για να λειτουργεί όπως προορίζεται. "
Οι ερευνητές ελπίζουν ότι μπορούν να επεκτείνουν τη νέα τους μέθοδο για τη διάγνωση άλλων τύπων καρκίνου. Όπου μεγαλώνει ένας όγκος, αλλάζει πώς συμπεριφέρεται ένας ιστός, φυσικά. Θα πρέπει να είναι δυνατή η χαρτογράφηση αυτών των διαφορών και η κατάρτιση ενός αλγορίθμου για τον εντοπισμό τους.
Ωστόσο, επειδή κάθε τύπος καρκίνου αλληλεπιδρά με το περιβάλλον του τόσο διαφορετικά, ένας αλγόριθμος θα πρέπει να ξεπεράσει μια σειρά προβλημάτων για κάθε τύπο. Ήδη, ο καθηγητής Oberai εργάζεται σε αξονικές τομογραφίες για καρκίνο των νεφρών για να βρει τρόπους με τους οποίους η AI μπορεί να βοηθήσει στη διάγνωση εκεί.
Αν και αυτές είναι πρώτες μέρες για τη χρήση της AI στη διάγνωση του καρκίνου, υπάρχουν μεγάλες ελπίδες για το μέλλον.
