Pesquisadores da IA da Microsoft para Good Lab e da Universidade de Washington revelaram um novo modelo de IA que detecta o câncer de mama em ressonância magnética com precisão sem precedentes. O sistema, detalhado na revista Radiology , desliza a abordagem tradicional em sua cabeça. Esse método, uma colaboração com o Fred Hutchinson Cancer Center, melhora a detecção e gera mapas de calor para orientar os radiologistas. src=”Dados: imagem/svg+xml; nitro-inempty-id=mty0noxmjA2-1; base64, phn2zyb2awv3qm94psiwidagmti4mca1nt MiihdpzhropsixmjgwiiBozwlnaHQ9iJU1MyigEG1SBNM9ImH0DHA6LY93D3CUDZMUB3JnlZIWMDAVC3ZNIJ48L3N2ZZ4=”>
Uma nova abordagem para detectar o câncer
A inovação do sistema está em um método chamado”detecção de anomalia”, que inverte fundamentalmente a lógica tradicional do treinamento de IA para diagnóstico médico. Em vez de serem alimentados com milhares de exemplos de tumores malignos para aprender como é o câncer, o modelo foi treinado exclusivamente em imagens de tecido mamário normal e benigno. Essa colaboração entre a Microsoft, a Universidade de Washington e o Fred Hutchinson Cancer Center ensina efetivamente a IA a se tornar um especialista no que é saudável. Em ambientes clínicos do mundo real, os conjuntos de dados contêm verificações predominantemente mais não cancerígenas do que as cancerígenas, que podem distorcer o desempenho dos modelos convencionais. Como explicou o professor de radiologia da UW Savannah Partridge:”A abordagem chamada”detecção de anomalia”faz sentido, pois os pesquisadores têm muito mais imagens não cancerígenas do que aquelas que mostram doenças, por isso somos capazes de alavancar nossos dados com mais eficiência.”href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ Blank”> treinado em um vasto conjunto de dados de quase 9.500 exames de ressonância magnética coletados na Universidade de Washington durante um período de 17 anos. Ao analisar essa extensa biblioteca, a IA constrói uma linha de base detalhada de características saudáveis do tecido. Esse método se mostrou altamente eficaz em estudos retrospectivos, onde o modelo superou os sistemas de classificação binária tradicional, particularmente em cenários de baixa prevalência que refletem a triagem real da população. Este novo sistema enfrenta diretamente esse desafio priorizando a explicação. Sua característica principal é a capacidade de gerar um mapa de calor visual que se sobrepõe à imagem de ressonância magnética, indo além de uma saída simples de”câncer”ou”sem câncer”. Isso transforma a IA de um oráculo opaco em um parceiro de diagnóstico transparente para os médicos. Essa localização no nível de pixel pode ajudar a priorizar casos que precisam de revisão mais rápida, guiar provedores para pedir imagens adicionais ou indicar a área precisa que requer uma biópsia. Como Felipe Oviedo, analista sênior de pesquisa da IA da Microsoft para o Good Lab, observou: “Nosso modelo fornece uma explicação compreensível no nível de pixels do que é anormal em uma mama.”
Essa transparência é crucial para a construção de confiança clínica e garantir a implementação segura. A credibilidade do modelo é reforçada ainda por validação rigorosa, onde é Mapas de calor não foram significativamente diferentes das anotações manuais. Ao mostrar seu trabalho, o modelo fornece um resultado verificável que capacita, em vez de misturar, os profissionais médicos o usam. É necessária uma validação adicional para ver como ela se apresenta contra radiologistas em configurações do mundo real.
O objetivo é aumentar, não substituir a experiência humana. Savannah Partridge, que também é o diretor de pesquisa de imagens de mama da UW, espera que a tecnologia expanda o acesso a uma poderosa ferramenta de triagem.”Esperamos poder oferecer ressonância magnética da mama a mais mulheres do que hoje em dia, porque é uma ferramenta de triagem de mama realmente sensível”, disse ela.
A equipe enfatiza a necessidade de integração cuidadosa e segura nos fluxos de trabalho clínicos. Partridge enquadrou o desafio de maneira sucinta:”Não é você usa [ai], ou não, mas como o usa? Como o usa de forma adequada e segura?”Para ajudar em pesquisas adicionais, o código do modelo do modelo do modelo foi disponibilizado ao github . href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”Target=”_ Blank”> A iniciativa mais ampla da Microsoft”AI for Science”, , que pretende construir modelos fundamentais para a descoberta científica. Segue outros projetos significativos na IA médica, geralmente em colaboração com a Universidade de Washington. Antes disso, lançou o Gigapath, um poderoso transformador de visão para analisar lâminas maciças de patologia digital para ajudar na pesquisa do câncer.
Essas ferramentas sinalizam um foco estratégico na criação de IA especializada que pode analisar dados biológicos complexos. O modelo de detecção de anomalia (FCDD) superou a classificação binária convencional em cenários equilibrados e desequilibrados (baixa prevalência).