Yapay zeka kanser teşhisinin geleceği olabilir mi?
Yakın zamanda yapılan bir çalışmada araştırmacılar, meme dokusu taramalarında kötü huylu ve iyi huylu lezyonları ayırt etmek için bir algoritma eğitti.
Kanserde başarılı tedavinin anahtarı onu erken yakalamaktır.
Hali hazırda, doktorlar yüksek kaliteli görüntülemeye erişebiliyor ve yetenekli radyologlar anormal büyümenin belirleyici işaretlerini tespit edebiliyor.
Tanımlandıktan sonra, bir sonraki adım doktorların büyümenin iyi huylu mu yoksa kötü huylu mu olduğunu belirlemesidir.
En güvenilir yöntem, invaziv bir prosedür olan biyopsi almaktır.
O zaman bile hatalar meydana gelebilir. Bazı insanlar, hastalığın olmadığı yerde kanser teşhisi alırken, diğerleri kanser olduğunda teşhis almazlar.
Her iki sonuç da sıkıntıya neden olur ve son durum tedavide gecikmelere neden olabilir.
Araştırmacılar, bu sorunlardan kaçınmak için teşhis sürecini iyileştirmeye isteklidir. Bir lezyonun kötü huylu veya iyi huylu olup olmadığını daha güvenilir bir şekilde ve biyopsiye ihtiyaç duymadan tespit etmek ezber bozacaktır.
Bazı bilim adamları yapay zeka (AI) potansiyelini araştırıyor. Yakın zamanda yapılan bir çalışmada, bilim adamları cesaret verici sonuçlar veren bir algoritma eğitti.
AI ve elastografi
Ultrason elastografisi, meme dokusunun sertliğini test eden nispeten yeni bir tanı tekniğidir. Bunu, bir dalga oluşturan dokuyu titreştirerek başarır. Bu dalga, ultrason taramasında distorsiyona neden olur ve memenin özelliklerinin çevresindeki dokudan farklı olduğu bölgeleri vurgular.
Bu bilgilerden, bir doktorun bir lezyonun kanserli veya iyi huylu olup olmadığını belirlemesi mümkündür.
Bu yöntemin büyük bir potansiyeli olmasına rağmen, elastografinin sonuçlarını analiz etmek zaman alıcıdır, birkaç adım içerir ve karmaşık problemlerin çözülmesini gerektirir.
Son zamanlarda, Los Angeles'taki Güney Kaliforniya Üniversitesi'ndeki Viterbi Mühendislik Okulu'ndan bir grup araştırmacı, bir algoritmanın bu görüntülerden bilgi almak için gereken adımları azaltıp azaltamayacağını sordu. Sonuçlarını dergide yayınladılar Uygulamalı Mekanik ve Mühendislikte Bilgisayar Yöntemleri.
Araştırmacılar, meme taramalarında kötü huylu ve iyi huylu lezyonları ayırt etmek için bir algoritma eğitip eğitemeyeceklerini görmek istediler. İlginç bir şekilde, algoritmayı gerçek taramalar yerine sentetik veriler kullanarak eğiterek bunu başarmaya çalıştılar.
Sentetik veriler
Ekibin neden sentetik verileri kullandığı sorulduğunda, baş yazar Prof. Assad Oberai, gerçek dünya verilerinin kullanılabilirliğine bağlı olduğunu söylüyor. "Tıbbi görüntüleme söz konusu olduğunda, 1000 görüntünüz varsa şanslısınız. Verinin kıt olduğu bu gibi durumlarda, bu tür teknikler önem kazanıyor. "
Araştırmacılar, derin evrişimli sinir ağı olarak adlandırdıkları makine öğrenimi algoritmalarını 12.000'den fazla sentetik görüntü kullanarak eğitti.
Sürecin sonunda, algoritma sentetik görüntülerde% 100 doğruydu; daha sonra gerçek hayat taramalarına geçtiler. Sadece 10 taramaya erişimleri vardı: bunların yarısı kötü huylu lezyonlar ve diğer yarısı iyi huylu lezyonlar gösteriyordu.
"Yaklaşık% 80 doğruluk oranına sahiptik. Ardından, girdi olarak daha gerçek dünya görüntüleri kullanarak algoritmayı iyileştirmeye devam ediyoruz. "
Prof. Assad Oberai
% 80 iyi olmasına rağmen yeterince iyi değil - ancak bu sadece sürecin başlangıcı. Yazarlar, algoritmayı gerçek veriler üzerinde eğitmiş olsalardı, gelişmiş doğruluk göstermiş olabileceğine inanıyorlar. Araştırmacılar ayrıca, testlerinin sistemin gelecekteki yeteneklerini tahmin etmek için çok küçük ölçekli olduğunu da kabul ediyorlar.
AI'nın büyümesi
Son yıllarda, tanılamada AI kullanımına artan bir ilgi var. Bir yazarın yazdığı gibi:
"Yapay zeka, radyoloji, patoloji ve dermatolojide görüntü analizi için, tanı hızı aşan ve doğruluk paralelliği, tıp uzmanları ile başarıyla uygulanıyor."
Ancak Prof. Oberai, yapay zekanın eğitimli bir insan operatörünün yerini alabileceğine inanmıyor. “Genel fikir birliği, bu tür algoritmaların, en çok etkileyeceği görüntüleme uzmanları da dahil olmak üzere önemli bir rol oynamasıdır. Bununla birlikte, bu algoritmalar en çok kara kutu görevi görmediklerinde yararlı olacaktır. Onu nihai sonuca götüren ne gördü? Algoritmanın amaçlandığı gibi çalışması için açıklanabilir olması gerekir. "
Araştırmacılar, diğer kanser türlerini teşhis etmek için yeni yöntemlerini genişletebileceklerini umuyorlar. Bir tümörün büyüdüğü her yerde, bir dokunun fiziksel olarak nasıl davrandığını değiştirir. Bu farklılıkların grafiğini çizmek ve bunları tespit etmek için bir algoritma eğitmek mümkün olmalıdır.
Bununla birlikte, her kanser türü çevresiyle çok farklı etkileşime girdiğinden, bir algoritmanın her tür için bir dizi sorunun üstesinden gelmesi gerekecektir. Profesör Oberai, yapay zekanın orada teşhise yardımcı olabileceği yollar bulmak için böbrek kanseri BT taramaları üzerinde çalışıyor.
Bunlar kanser teşhisinde AI kullanımı için ilk günler olsa da, gelecek için büyük umutlar var.
