Οι ερευνητές από το AI της Microsoft για το Good Lab και το Πανεπιστήμιο της Ουάσινγκτον έχουν αποκαλύψει ένα νέο μοντέλο AI που ανιχνεύει τον καρκίνο του μαστού σε σαρώσεις MRI με πρωτοφανή ακρίβεια. Το σύστημα, Λεπτομερής στην Ακτινολογία του περιοδικού , αναστρέφει την παραδοσιακή προσέγγιση στο κεφάλι του. Αυτή η μέθοδος, μια συνεργασία με το κέντρο καρκίνου του Fred Hutchinson, βελτιώνει την ανίχνευση και δημιουργεί καροτσάκια για να καθοδηγήσει τους ακτινολόγους. Src=”Δεδομένα: εικόνα/svg+xml; nitro-empty-id=mty0ndoxmja2-1, base64, phn2zyb2awv3qm94psiwidagmti4mca1nt Miihdpzhropsixmjgwiibozwlnahq9iju1myigeg1sbnmm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2zz4=”>
Μια νέα προσέγγιση για την εντοπισμό του καρκίνου
Η καινοτομία του συστήματος βρίσκεται σε μια μέθοδο που ονομάζεται”ανίχνευση ανωμαλιών”, η οποία βασικά αναστρέφει την παραδοσιακή λογική της εκπαίδευσης AI για ιατρική διάγνωση. Αντί να τρέφονται χιλιάδες παραδείγματα κακοήθων όγκων για να μάθουν τι μοιάζει με τον καρκίνο, το μοντέλο εκπαιδεύτηκε αποκλειστικά σε εικόνες φυσιολογικού, καλοήθη ιστού μαστού. Αυτή η συνεργασία μεταξύ της Microsoft, του Πανεπιστημίου της Ουάσινγκτον και του Κέντρου Καρκίνου του Fred Hutchinson διδάσκει αποτελεσματικά στο AI να γίνει εμπειρογνώμονας σε αυτό που είναι υγιές. Σε κλινικά περιβάλλοντα πραγματικού κόσμου, τα σύνολα δεδομένων περιέχουν συντριπτικά πιο μη καρκινικές σαρώσεις από ό, τι οι καρκινικές, οι οποίες μπορούν να εξαλείψουν την απόδοση των συμβατικών μοντέλων. Όπως εξήγησε ο καθηγητής της ακτινολογίας Savannah Partridge,”η προσέγγιση, που ονομάζεται”ανίχνευση ανωμαλιών”, έχει νόημα δεδομένου ότι οι ερευνητές έχουν πολλές πιο μη καρκινικές εικόνες από εκείνες που δείχνουν ασθένεια, οπότε είμαστε σε θέση να αξιοποιήσουμε τα δεδομένα μας πιο αποτελεσματικά”. href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ Blank”> Εκπαιδεύτηκε σε ένα τεράστιο σύνολο δεδομένων περίπου 9.500 εξετάσεων MRI που συλλέχθηκαν στο Πανεπιστήμιο της Ουάσινγκτον για περίοδο 17 ετών. Με την ανάλυση αυτής της εκτεταμένης βιβλιοθήκης, το AI κατασκευάζει μια λεπτομερή βασική γραμμή των υγιεινών χαρακτηριστικών των ιστών. Αυτή η μέθοδος αποδείχθηκε εξαιρετικά αποτελεσματική σε αναδρομικές μελέτες, όπου το μοντέλο ξεπέρασε τα παραδοσιακά συστήματα δυαδικής ταξινόμησης, ιδιαίτερα σε σενάρια χαμηλής προστασίας που αντικατοπτρίζουν την πραγματική προβολή του πληθυσμού. Αυτό το νέο σύστημα αντιμετωπίζει άμεσα αυτή την πρόκληση, δίνοντας προτεραιότητα στην εξήγηση. Το βασικό χαρακτηριστικό του είναι η ικανότητα να δημιουργεί ένα οπτικό heatmap που επικαλύπτει την εικόνα MRI, κινούμενη πέρα από έναν απλό δυαδικό”καρκίνο”ή”χωρίς καρκίνο”. Αυτό μετατρέπει το AI από ένα αδιαφανές μαντείο σε έναν διαφανή διαγνωστικό συνεργάτη για τους κλινικούς ιατρούς.
Το HeatMap υπογραμμίζει τα ακριβή εικονοστοιχεία που ο AI έχει αναγνωρίσει ως ανώμαλο, δίνοντας ακτινολόγους έναν σαφή, διαισθητικό οδηγό για το πού να επικεντρωθεί η προσοχή τους. Αυτός ο εντοπισμός σε επίπεδο εικονοστοιχείων μπορεί να βοηθήσει να δοθεί προτεραιότητα σε περιπτώσεις που χρειάζονται ταχύτερη αναθεώρηση, να οδηγήσουν τους παρόχους για την παραγγελία πρόσθετης απεικόνισης ή να υποδείξουν την ακριβή περιοχή που απαιτεί βιοψία. Όπως ο Felipe Oviedo, ένας ανώτερος αναλυτής έρευνας στο AI της Microsoft για το καλό εργαστήριο, σημείωσε:”Το μοντέλο μας παρέχει μια κατανοητή εξήγηση σε επίπεδο εικονοστοιχείων για το τι είναι ανώμαλο σε ένα στήθος. Η αξιοπιστία του μοντέλου ενισχύεται περαιτέρω με αυστηρή επικύρωση, όπου το HeatMAPs δεν διαφέρουν σημαντικά από τις χειροκίνητες αγελάδες που σχεδιάστηκαν από τους εξειδικευμένους ακτίνες. Παρουσιάζοντας το έργο του, το μοντέλο παρέχει ένα επαληθεύσιμο αποτέλεσμα που εξουσιοδοτεί, αντί να μυστικοποιεί, οι ιατρικοί επαγγελματίες που το χρησιμοποιούν. Απαιτείται περαιτέρω επικύρωση για να δούμε πώς εκτελεί τους ακτινολόγους σε πραγματικές ρυθμίσεις. Η Savannah Partridge, η οποία είναι επίσης ο διευθυντής έρευνας της απεικόνισης του μαστού στο UW, ελπίζει ότι η τεχνολογία θα επεκτείνει την πρόσβαση σε ένα ισχυρό εργαλείο προβολής. «Ελπίζουμε να μπορέσουμε να προσφέρουμε μαγνητική τομογραφία σε περισσότερες γυναίκες από ό, τι κάνουμε σήμερα, επειδή είναι ένα πραγματικά ευαίσθητο εργαλείο διαλογής μαστού», είπε. Ο Partridge πλαισίωσε συνοπτικά την πρόκληση:”Δεν χρησιμοποιείτε το [AI] ή δεν το κάνετε, αλλά πώς το χρησιμοποιείτε; Πώς το χρησιμοποιείτε κατάλληλα και με ασφάλεια;”Για να βοηθήσουμε περαιτέρω έρευνα, το μοντέλο του Microsoft έχει διατεθεί στο Github
href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”target=”_ blank”> Η ευρύτερη πρωτοβουλία”AI for Science”της Microsoft, που στοχεύει στην οικοδόμηση θεμελιωδών μοντέλων για επιστημονική ανακάλυψη. Ακολουθεί άλλα σημαντικά έργα στο Medical AI, συχνά σε συνεργασία με το Πανεπιστήμιο της Ουάσινγκτον.
Πέρυσι, η Microsoft εισήγαγε το BiomedParse, ένα μοντέλο που σχεδιάστηκε για να ενοποιήσει τα καθήκοντα ανάλυσης ιατρικών εικόνων. Πριν από αυτό, ξεκίνησε το Gigapath, ένας ισχυρός μετασχηματιστής όρασης για την ανάλυση μαζικών διαφανειών ψηφιακής παθολογίας για να βοηθήσει στην έρευνα για τον καρκίνο. Τα εργαλεία αυτά σηματοδοτούν μια στρατηγική εστίαση στη δημιουργία εξειδικευμένων AI που μπορεί να αναλύσει σύνθετα βιολογικά δεδομένα. Το μοντέλο ανίχνευσης ανωμαλίας (FCDD) υπερέβη τη συμβατική δυαδική ταξινόμηση σε σενάρια ισορροπημένα και ανισορροπημένα (χαμηλής προστασίας).