Microsoftin AI: n tutkijat hyvästä laboratoriosta ja Washingtonin yliopistosta ovat julkistaneet uuden AI-mallin, joka havaitsee rintasyövän MRI-skannauksissa ennennäkemättömällä tarkkuudella. Järjestelmä, yksityiskohtaisesti Radiology-lehdessä , kääntää perinteisen lähestymistavan päähänsä. Tämä menetelmä, yhteistyö Fred Hutchinson-syöpäkeskuksen kanssa, parantaa havaitsemista ja tuottaa lämpökarttoja radiologien ohjaamiseksi.
Läpimurto voisi tehdä erittäin herkistä MRI-näytöksistä tehokkaampia ja helposti saavutettavissa, vastaten keskeisiä haasteita varhaisessa syöpädiagnoosissa. src=”data: kuva/svg+xml; nitro-tyhjennys-id=mty0ndoxmja2-1; base64, phn2zyb2awv3qm94psiwidagmti4mca1nt Miihdpzhropsixmjgwiiibozwlnahq9iju1myigeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2zz4=”>
Uusi lähestymistapa syövän havaitsemiseen
Järjestelmän innovaatio on menetelmä, jota kutsutaan “poikkeavuuden havaitsemiseksi”, joka kääntää pohjimmiltaan AI-koulutuksen perinteisen logiikan lääketieteelliseen diagnostiikkaan. Sen sijaan, että heille olisi annettu tuhansia esimerkkejä pahanlaatuisista kasvaimista oppiakseen, miltä syöpä näyttää, malli koulutettiin yksinomaan normaalin, hyvänlaatuisen rintakudoksen kuviin. Tämä Microsoftin, Washingtonin yliopiston ja Fred Hutchinsonin syöpäkeskuksen välinen yhteistyö opettaa AI: lle tehokkaasti tullakseen terveellisessä asiantuntijana.
Tämä vastaintuitiivinen strategia vastaa suoraan jatkuvaa haastetta lääketieteellisessä AI: data-epätasapainossa. Reaalimaailman kliinisissä asetuksissa tietojoukot sisältävät ylivoimaisesti ei-syöpätarjouksia kuin syöpä, mikä voi vääristää tavanomaisten mallien suorituskykyä.
keskittymällä runsaaseen “normaaliin”tietoon, tutkijat loivat vankemman ja tehokkaamman järjestelmän. Kuten Radiologian professori Savannah Partridge selitti, “lähestymistapa, jota kutsutaan” poikkeavuuden havaitsemiseksi “, on järkevää, kun otetaan huomioon, että tutkijoilla on paljon enemmän ei-syöpäkuvia kuin sairauksilla, joten pystymme hyödyntämään tietojamme tehokkaammin.”href=”https://puubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ tyhjä”> koulutettu laajalle tietoaineistolle lähes 9 500 MRI-kokeita , joka on kerätty Washingtonin yliopistossa 17 vuoden ajanjaksolla. Analysoimalla tätä laajaa kirjastoa AI rakentaa yksityiskohtaisen perusviivan terveellisten kudosominaisuuksien perusteella. Tämä menetelmä osoittautui erittäin tehokkaaksi retrospektiivisissä tutkimuksissa, joissa malli ylitti perinteiset binaariluokitusjärjestelmät, etenkin pienen version skenaarioissa, jotka heijastavat todellista populaation seulontaa.
mustasta laatikosta selitettävään AI
Merkittävä este AI: n omaksumiselle lääketieteessä on ollut “musta laatikko”, jossa mallit, joissa mallit toimittavat diagnoosin paljastamatta perustelunsa. Tämä uusi järjestelmä kohtaa suoraan haasteen priorisoimalla selitettävyyttä. Sen keskeinen ominaisuus on kyky tuottaa visuaalinen lämpökartta, joka päällekkäin MRI-kuvan, siirtymällä yksinkertaisen binaarisen”syövän”tai”ei syövän”ulkopuolelle. Tämä muuttaa AI: n läpinäkymättömästä oraakkelista läpinäkyväksi diagnostiseksi kumppaniksi lääkäreille.
Lämpökartta korostaa tarkkoja pikseliä, jotka AI on tunnistanut poikkeaviksi, mikä antaa radiologille selkeän, intuitiivisen oppaan, mihin keskittää heidän huomionsa. Tämä pikselin tason lokalisointi voi auttaa priorisoimaan tapauksia, jotka tarvitsevat nopeamman tarkistuksen, opaspalvelujen tarjoajat lisäkuvauksen tilaamisessa tai osoittamaan tarkan alueen, joka vaatii biopsian. Kuten Felipe Oviedo, Microsoftin AI: n vanhempi tutkimusanalyytikko hyvässä laboratoriossa, totesi: “Mallimme tarjoaa ymmärrettävän, pikselitason selityksen rinnassa epänormaalista.”Mallin uskottavuutta vahvistaa edelleen tiukka validointi, jossa sen Lämpökarttojen todettiin olevan merkitsevästi erilaisia kuin manuaaliset annotaatiot, joita asiantuntija-radiologistit ovat vetäneet. Näyttämällä työnsä, malli tarjoaa todennettavan tuloksen, joka antaa sen sijaan, että se mystifeti, lääketieteen ammattilaiset käyttävät sitä.
lupaava työkalu kliinisen käytön tiellä
huolimatta jatkotutkimuksissa. Tarvitaan lisävalidointia nähdäksesi, kuinka se suorittaa radiologit vastaan reaalimaailman asetuksissa.
Tavoitteena on lisätä, ei korvata, ihmisen asiantuntemusta. Savannah Partridge, joka on myös UW: n rintojen kuvantamisen johtaja, toivoo, että tekniikka laajentaa pääsyä tehokkaaseen seulontatyökaluun.”Toivomme pystyvämme tarjoamaan rintojen MRI: tä useammille naisille kuin nykyään, koska se on todella herkkä rintojen seulontatyökalu”, hän sanoi.
Ryhmä korostaa tarvetta huolellista ja turvallista integrointia kliinisiin työnkulkuihin. Partridge kehitti haasteen ytimekkäästi:”Se ei ole, käytätkö [ai], vai etkö, mutta miten käytät sitä? Kuinka käytät sitä asianmukaisesti ja turvallisesti?”Jatkotutkimuksen auttamiseksi Malli-koodi on saatu saataville Github . href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”Target=”_ tyhjä”> Microsoftin laajempi”tieteen AI”-aloite, , joka pyrkii rakentamaan perusmallit tieteelliseen havaintoon. Se noudattaa muita merkittäviä projekteja lääketieteellisessä AI: ssä, usein yhteistyössä Washingtonin yliopiston kanssa. Ennen sitä se käynnisti Gigapathin, voimakkaan visiomuuntajan massiivisten digitaalisten patologian analysoimiseksi, jotta voidaan auttaa syöpätutkimuksessa.
Nämä työkalut merkitsevät strategista keskittymistä erikoistuneen AI: n luomiseen, joka voi jäsentää monimutkaista biologista tietoa. Anomalian havaitsemismalli (FCDD) ylitti tavanomaisen binaariluokituksen sekä tasapainotetuissa että epätasapainoisissa (matalan verenmäärän) skenaarioissa.