{vembed Y=urJ7QEdhP_U}
Ένα εργαλείο τεχνητής νοημοσύνης - εκπαιδευμένο σε περίπου ένα εκατομμύριο εικόνες μαστογραφίας διαλογής - μπορεί να αναγνωρίσει τον καρκίνο του μαστού με ακρίβεια περίπου 90% όταν συνδυάζεται με ανάλυση ακτινολόγου, σύμφωνα με νέα μελέτη.
Η μελέτη εξέτασε την ικανότητα ενός τύπου τεχνητής νοημοσύνης (AI), ενός προγράμματος υπολογιστικής μηχανικής εκμάθησης, να προσθέσει αξία στις διαγνώσεις που κατέληξε μια ομάδα 14 ακτινολόγων καθώς εξέτασαν 720 μαστογραφία εικόνες.
«Ο απώτερος στόχος της εργασίας μας είναι να αυξήσουμε και όχι να αντικαταστήσουμε τους ακτινολόγους ανθρώπων».
"Η μελέτη μας διαπίστωσε ότι η τεχνητή νοημοσύνη εντόπισε πρότυπα που σχετίζονται με τον καρκίνο στα δεδομένα που δεν μπορούσαν να κάνουν οι ακτινολόγοι και το αντίστροφο", λέει ο ανώτερος συγγραφέας της μελέτης Κριστόφ Γκέρας, επίκουρος καθηγητής στο τμήμα ακτινολογίας στο Ιατρικό Σχολείο του Πανεπιστημίου της Νέας Υόρκης.
"Η τεχνητή νοημοσύνη ανίχνευσε αλλαγές σε επίπεδο εικονοστοιχείων στον ιστό που δεν είναι ορατές στο ανθρώπινο μάτι, ενώ οι άνθρωποι χρησιμοποίησαν μορφές συλλογισμού που δεν είναι διαθέσιμες στην τεχνητή νοημοσύνη", προσθέτει ο Geras, επίσης συνδεδεμένο μέλος ΔΕΠ στο Κέντρο Επιστήμης Δεδομένων. «Ο απώτερος στόχος της εργασίας μας είναι να αυξήσουμε και όχι να αντικαταστήσουμε τους ανθρώπους ακτινολόγους».
Το 2014, οι γυναίκες (χωρίς συμπτώματα) στις Ηνωμένες Πολιτείες έκαναν περισσότερες από 39 εκατομμύρια εξετάσεις μαστογραφίας για τον έλεγχο του καρκίνου του μαστού και τον προσδιορισμό της ανάγκης για στενότερη παρακολούθηση. Αναφέρονται γυναίκες των οποίων τα αποτελέσματα των δοκιμών αποφέρουν μη φυσιολογικά ευρήματα μαστογραφίας βιοψία, μια διαδικασία που αφαιρεί ένα μικρό δείγμα ιστού του μαστού για εργαστηριακές εξετάσεις.
Το εργαλείο τεχνητής νοημοσύνης έμαθε να προβλέπει ποιες βλάβες ήταν πιθανώς κακοήθεις (χάρτης κόκκινης θερμότητας) ή πιθανώς καλοήθεις (χάρτης πράσινης θερμότητας), με δυνατότητα να βοηθήσουν τους ακτινολόγους στη διάγνωση του καρκίνου του μαστού. (Πίστωση: NYU School of Medicine)
Στη νέα μελέτη, η ερευνητική ομάδα σχεδίασε στατιστικές τεχνικές που επέτρεπαν στο πρόγραμμά τους να «μάθει» πώς να βελτιωθεί σε μια εργασία χωρίς να τους πει πώς ακριβώς. Τέτοια προγράμματα δημιουργούν μαθηματικά μοντέλα που επιτρέπουν τη λήψη αποφάσεων με βάση παραδείγματα δεδομένων που τροφοδοτούνται σε αυτά, με το πρόγραμμα να γίνεται «εξυπνότερο» καθώς εξετάζει όλο και περισσότερα δεδομένα.
Οι σύγχρονες προσεγγίσεις τεχνητής νοημοσύνης, που εμπνέονται από τον ανθρώπινο εγκέφαλο, χρησιμοποιούν περίπλοκα κυκλώματα για την επεξεργασία πληροφοριών σε στρώματα, με κάθε βήμα να τροφοδοτεί τις πληροφορίες στο επόμενο και να αποδίδει περισσότερη ή λιγότερη σημασία σε κάθε πληροφορία στην πορεία.
Οι συντάκτες της τρέχουσας μελέτης εκπαίδευσαν το εργαλείο τεχνητής νοημοσύνης σε πολλές εικόνες που ταιριάζουν με τα αποτελέσματα των βιοψιών που έγιναν στο παρελθόν. Ο στόχος τους ήταν να επιτρέψουν στο εργαλείο να βοηθήσει τους ακτινολόγους να μειώσουν τον αριθμό των βιοψιών που απαιτούνται για να προχωρήσουν. Αυτό μπορεί να επιτευχθεί, λέει ο Geras, αυξάνοντας την εμπιστοσύνη που έχουν οι γιατροί στην ακρίβεια των εκτιμήσεων που γίνονται για εξετάσεις ελέγχου (για παράδειγμα, μείωση ψευδώς θετικό και ψευδώς αρνητικά αποτελέσματα).
Για την τρέχουσα μελέτη, η ερευνητική ομάδα ανέλυσε εικόνες που συλλέχθηκαν ως μέρος της ρουτίνας κλινικής φροντίδας για επτά χρόνια, κοσκινίζοντας τα συλλεγμένα δεδομένα και συνδέοντας τις εικόνες με αποτελέσματα βιοψίας. Αυτή η προσπάθεια δημιούργησε ένα εξαιρετικά μεγάλο σύνολο δεδομένων για την εκπαίδευση του εργαλείου τεχνητής νοημοσύνης, λένε οι συγγραφείς, που αποτελείται από 229,426 εξετάσεις μαστογραφίας ψηφιακού ελέγχου και 1,001,093 εικόνες. Οι περισσότερες βάσεις δεδομένων που χρησιμοποιούσαν οι ερευνητές σε μελέτες μέχρι σήμερα έχουν περιοριστεί σε 10,000 εικόνες ή λιγότερες.
Έτσι, οι ερευνητές εκπαίδευσαν το νευρωνικό τους δίκτυο προγραμματίζοντάς το να αναλύει εικόνες από τη βάση δεδομένων για τις οποίες είχαν ήδη καθοριστεί οι διαγνώσεις καρκίνου. Αυτό σήμαινε ότι οι ερευνητές γνώριζαν την «αλήθεια» για κάθε εικόνα μαστογραφίας (καρκίνος ή όχι) καθώς δοκίμαζαν την ακρίβεια του εργαλείου, ενώ το εργαλείο έπρεπε να μαντέψει. Οι ερευνητές μέτρησαν την ακρίβεια στη συχνότητα των σωστών προβλέψεων.
Επιπλέον, οι ερευνητές σχεδίασαν το μοντέλο AI της μελέτης για να εξετάσουν πρώτα πολύ μικρά μπαλώματα της εικόνας πλήρους ανάλυσης ξεχωριστά για να δημιουργήσουν έναν θερμικό χάρτη, μια στατιστική εικόνα της πιθανότητας ασθένειας. Στη συνέχεια, το πρόγραμμα εξετάζει ολόκληρο το στήθος για δομικά χαρακτηριστικά που συνδέονται με τον καρκίνο, δίνοντας μεγαλύτερη προσοχή στις περιοχές που επισημαίνονται στον χάρτη θερμότητας σε επίπεδο pixel.
Αντί οι ερευνητές να εντοπίσουν χαρακτηριστικά εικόνας για την αναζήτηση της τεχνητής νοημοσύνης τους, το εργαλείο ανακαλύπτει μόνο του ποια χαρακτηριστικά εικόνας αυξάνουν την ακρίβεια πρόβλεψης. Προχωρώντας, η ομάδα σχεδιάζει να αυξήσει περαιτέρω αυτήν την ακρίβεια εκπαιδεύοντας το πρόγραμμα AI σε περισσότερα δεδομένα, ίσως ακόμη και εντοπίζοντας αλλαγές στον ιστό του μαστού που δεν είναι ακόμη καρκινικές αλλά έχουν τη δυνατότητα να είναι.
«Η μετάβαση στην υποστήριξη AI στη διαγνωστική ακτινολογία πρέπει να προχωρήσει όπως η υιοθέτηση αυτοκινούμενων αυτοκινήτων-αργά και προσεκτικά, χτίζοντας εμπιστοσύνη και βελτιώνοντας τα συστήματα στην πορεία με έμφαση στην ασφάλεια», λέει ο πρώτος συγγραφέας Nan Wu, υποψήφιος διδάκτορας στο το Κέντρο Επιστήμης Δεδομένων.
Η μελέτη εμφανίζεται στο Συναλλαγές IEEE στην ιατρική απεικόνιση.
Σχετικά με το Συγγραφέας
Ο ανώτερος συγγραφέας της μελέτης Krzysztof Geras είναι επίκουρος καθηγητής στο τμήμα ακτινολογίας στην Ιατρική Σχολή Grossman του Πανεπιστημίου της Νέας Υόρκης.
Πρόσθετοι συνεργάτες είναι από τη Νέα Υόρκη, το SUNY Downstate College of Medicine, το Πανεπιστήμιο του Cambridge και το Jagiellonian University.
Η υποστήριξη για το έργο προήλθε, εν μέρει, από τα Εθνικά Ινστιτούτα Υγείας. Το μοντέλο που χρησιμοποιήθηκε σε αυτή τη μελέτη διατέθηκε στον τομέα για την προώθηση της καινοτομίας.
Σχετικές Βιβλία:
The Body Keeps the Score: Brain Mind and Body in the Healing of Trauma
από τον Bessel van der Kolk
Αυτό το βιβλίο διερευνά τις συνδέσεις μεταξύ του τραύματος και της σωματικής και ψυχικής υγείας, προσφέροντας ιδέες και στρατηγικές για τη θεραπεία και την ανάρρωση.
Κάντε κλικ για περισσότερες πληροφορίες ή για παραγγελία
Breath: The New Science of a Lost Art
από τον James Nestor
Αυτό το βιβλίο διερευνά την επιστήμη και την πρακτική της αναπνοής, προσφέροντας ιδέες και τεχνικές για τη βελτίωση της σωματικής και ψυχικής υγείας.
Κάντε κλικ για περισσότερες πληροφορίες ή για παραγγελία
Το παράδοξο των φυτών: Οι κρυμμένοι κίνδυνοι σε «υγιεινές» τροφές που προκαλούν ασθένειες και αύξηση βάρους
από τον Steven R. Gundry
Αυτό το βιβλίο διερευνά τους δεσμούς μεταξύ διατροφής, υγείας και ασθένειας, προσφέροντας ιδέες και στρατηγικές για τη βελτίωση της συνολικής υγείας και ευεξίας.
Κάντε κλικ για περισσότερες πληροφορίες ή για παραγγελία
The Immunity Code: The New Paradigm for Real Health and Radical Anti-aging
από τον Joel Greene
Αυτό το βιβλίο προσφέρει μια νέα προοπτική για την υγεία και την ανοσία, βασιζόμενη στις αρχές της επιγενετικής και προσφέροντας ιδέες και στρατηγικές για τη βελτιστοποίηση της υγείας και της γήρανσης.
Κάντε κλικ για περισσότερες πληροφορίες ή για παραγγελία
Ο πλήρης οδηγός νηστείας: Θεραπεύστε το σώμα σας μέσω διαλείπουσας, εναλλασσόμενης ημέρας και παρατεταμένης νηστείας
από τον Δρ Jason Fung και τον Jimmy Moore
Αυτό το βιβλίο διερευνά την επιστήμη και την πρακτική της νηστείας προσφέροντας ιδέες και στρατηγικές για τη βελτίωση της συνολικής υγείας και ευεξίας.
