Radiologii vor putea folosi inteligența artificială pentru a detecta tumorile cerebrale în viitorul apropiat

O lucrare intitulată „Deep learning and transfer learning for brain tumor detection and classification” (Învățare profundă și transfer de învățare pentru detectarea și clasificarea tumorilor cerebrale), publicată în Biology Methods and Protocols, arată că oamenii de știință pot antrena modele de inteligență artificială (IA) pentru a distinge între tumorile cerebrale și țesutul sănătos. Modelele de IA pot deja detecta tumorile cerebrale în imaginile RMN aproape la fel de bine ca un radiolog uman.

Cercetătorii au făcut progrese constante în aplicarea inteligenței artificiale în medicină. IA este deosebit de promițătoare în radiologie, unde așteptarea tehnicienilor pentru procesarea imaginilor medicale poate întârzia tratamentul pacienților. Rețelele neuronale convoluționale sunt instrumente puternice care permit cercetătorilor să antreneze modele de inteligență artificială pe seturi mari de imagini pentru recunoaștere și clasificare.

În acest fel, rețelele pot „învăța” să distingă între imagini. De asemenea, au capacitatea de a „transfera învățarea”. Oamenii de știință pot reutiliza un model antrenat pentru o anumită sarcină pentru un proiect nou, dar înrudit.

Deși detectarea animalelor camuflate și clasificarea tumorilor cerebrale implică tipuri foarte diferite de imagini, cercetătorii au sugerat că există o paralelă între un animal care se ascunde datorită camuflajului natural și un grup de celule canceroase care se amestecă cu țesutul sănătos din jur.

Procesul învățat de generalizare – gruparea diferitelor obiecte sub un singur identificator – este important pentru înțelegerea modului în care rețeaua poate detecta obiecte camuflate. O astfel de învățare ar putea fi deosebit de utilă pentru detectarea tumorilor.

În acest studiu retrospectiv al datelor RMN disponibile publicului, cercetătorii au examinat modul în care modelele de rețele neuronale ar putea fi antrenate pe baza datelor despre cancerul cerebral, introducând o etapă unică de învățare prin transfer pentru a detecta animalele camuflate, cu scopul de a îmbunătăți abilitățile rețelei de detectare a tumorilor.

Folosind RMN-uri din surse de date despre cancer disponibile public online și imagini de control ale creierelor sănătoase (inclusiv Kaggle, Arhiva de Imagini despre Cancer a NIH și Sistemul de Sănătate VA din Boston), cercetătorii au antrenat rețele pentru a distinge între RMN-urile sănătoase și cele canceroase, pentru a identifica zona afectată de cancer și aspectul prototip al cancerului (tipul de tumoare canceroasă).

Cercetătorii au descoperit că rețelele erau aproape perfecte în identificarea imaginilor cerebrale normale cu doar unul sau două rezultate fals negative și în a distinge între creierele canceroase și cele sănătoase. Prima rețea a arătat o precizie medie de 85,99% în detectarea cancerului cerebral, în timp ce a doua a avut o precizie de 83,85%.

O caracteristică cheie a rețelei este multitudinea de moduri în care deciziile sale pot fi explicate, ceea ce sporește încrederea în modele din partea profesioniștilor din domeniul medical și a pacienților. Modelele profunde nu sunt adesea suficient de transparente, iar pe măsură ce domeniul se maturizează, capacitatea de a explica deciziile rețelelor devine importantă.

Datorită acestei cercetări, rețeaua poate genera acum imagini care arată zone specifice din clasificarea unei tumori ca fiind pozitive sau negative. Acest lucru le va permite radiologilor să își verifice deciziile cu rezultatele rețelei, adăugând încredere ca și cum ar exista un al doilea radiolog „robotic” în apropiere care ar indica zona RMN-ului ce indică o tumoare.

În viitor, cercetătorii consideră că va fi important să se concentreze pe crearea de modele de rețele profunde ale căror decizii să poată fi descrise în moduri intuitive, astfel încât inteligența artificială să poată juca un rol de suport transparent în practica clinică.

Deși rețelele au avut dificultăți în a distinge între tipurile de tumori cerebrale în toate cazurile, a fost clar că acestea aveau diferențe intrinseci în modul în care datele erau reprezentate în cadrul rețelei. Acuratețea și claritatea s-au îmbunătățit pe măsură ce rețelele au fost antrenate să recunoască camuflajul. Transferul de învățare a dus la o acuratețe sporită.

Deși cel mai bun model testat a fost cu 6% mai puțin precis decât detectarea umană standard, studiul demonstrează cu succes îmbunătățirea cantitativă obținută prin această paradigmă de învățare. Cercetătorii consideră că această paradigmă, împreună cu aplicarea cuprinzătoare a metodelor de explicabilitate, va contribui la aducerea transparenței necesare cercetării clinice viitoare în domeniul inteligenței artificiale.

„Progresele în domeniul inteligenței artificiale fac posibilă detectarea și recunoașterea mai precisă a tiparelor”, a declarat autorul principal al lucrării, Arash Yazdanbakhsh.

„Acest lucru, la rândul său, îmbunătățește diagnosticarea și screeningul bazate pe imagini, dar necesită și mai multe explicații despre modul în care inteligența artificială îndeplinește o sarcină. Presiunea pentru explicabilitatea inteligenței artificiale îmbunătățește interacțiunile om-IA în general. Acest lucru este deosebit de important între profesioniștii din domeniul medical și inteligența artificială concepută în scopuri medicale.”

„Modelele clare și explicabile sunt mai potrivite pentru a ajuta la diagnosticare, a urmări progresia bolii și a monitoriza tratamentul.”