A Microsoft AI AI Good Lab és a Washingtoni Egyetem kutatói egy új AI-modellt mutatnak be, amely példátlan pontossággal észleli az emlőrákot az MRI szkennelések során. A rendszer, A folyóiratban részletezve , a hagyományos megközelítést a feje jobb azonosítása helyett. Ez a módszer, a Fred Hutchinson Cancer Center-szel folytatott együttműködés, javítja a detektálást és hőkapárokat generál a radiológusok irányításához. src=”adatok: image/svg+xml; nitro-üres-id=mty0ndoxmja2-1; base64, phn2zyb2awv3qm94psiwidagmti4mca1ntnt Miihdpzhropsixmjgwiibozwlnahq9iju1myigeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2z4=”>”>”>”>”>”>”>”>”>”>”>”>”>”>”>”>”>”>
A rák észlelésének új megközelítése
A rendszer innovációja egy „anomália detektálásának” nevezett módszerben rejlik, amely alapvetően megfordítja az orvosi diagnosztika AI képzésének hagyományos logikáját. Ahelyett, hogy több ezer példát táplálnának a rosszindulatú daganatokra, hogy megtanulják, hogyan néz ki a rák, a modellt kizárólag a normál, jóindulatú emlőszövet képein képezték. Ez a Microsoft, a washingtoni egyetem és a Fred Hutchinson Rákközpont közötti együttműködés hatékonyan tanítja az AI-t, hogy szakértővé váljon az egészséges. A valós klinikai körülmények között az adatkészletek túlnyomórészt nem rákos szkennelést tartalmaznak, mint a rákos szkenneléseket, amelyek megsemmisíthetik a hagyományos modellek teljesítményét. Ahogyan a Savannah Partridge, az UW radiológiai professzora elmagyarázta: „A„ rendellenességi detektálás “elnevezésű megközelítésnek van értelme, mivel a kutatóknak sokkal több nem-rákos képe van, mint a betegségeket mutató, így képesek vagyunk hatékonyabban felhasználni adatainkat. href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ blank”> Hatalmas adatkészletre, közel 9500 MRI vizsgákból származik A Washingtoni Egyetemen 17 éves időszak alatt összegyűjtött. A kiterjedt könyvtár elemzésével az AI az egészséges szövetjellemzők részletes alapvonalát készíti. Ez a módszer nagyon hatékonynak bizonyult a retrospektív vizsgálatokban, ahol a modell felülmúlta a hagyományos bináris osztályozási rendszereket, különösen az alacsony prémentumú forgatókönyvekben, amelyek tükrözik a tényleges populáció szűrését. Ez az új rendszer közvetlenül szembesül azzal, hogy a magyarázat prioritása rangsorolva kihívást jelent. Legfontosabb jellemzője az a képesség, hogy olyan vizuális hőkamerát generáljon, amely átfedi az MRI-képet, és meghaladja az egyszerű bináris „rák” vagy a „No Cancer” kimenetet. Ez átalakítja az AI-t egy átlátszatlan Oracle-ről egy átlátszó diagnosztikai partnerré a klinikusok számára. Ez a pixel-szintű lokalizáció elősegítheti az olyan esetek prioritása, amelyek gyorsabb felülvizsgálatra szorulnak, irányítják a szolgáltatókat a kiegészítő képalkotás megrendeléséhez, vagy jelzik a biopsziát igénylő pontos területet. Mint Felipe Oviedo, a Microsoft AI-nél a Good Lab vezető kutatási elemzője, megjegyezte: „Modellünk érthető, pixel szintű magyarázatot ad arra, hogy mi a melle rendellenes.”A modell hitelességét tovább erősíti a szigorú validálás, ahol A heatrums nem különbözik a szakértői humánrugészek által készített kézi annotációktól . Munkájának megmutatásával a modell ellenőrizhető eredményt ad, amely a misztifikációk helyett a misztikálódik, és az azt használja. További validálásra van szükség ahhoz, hogy megnézhesse, hogyan teljesít a radiológusok ellen a valós környezetben. Savannah Partridge, aki szintén az UW emlőképzési igazgatója, reméli, hogy a technológia kibővíti a hozzáférést egy hatékony szűrőeszközhez.”Reméljük, hogy több nő számára képesek leszünk emlő MRI-t felajánlani, mint manapság, mert ez egy igazán érzékeny emlőszűrő eszköz”-mondta. A Partridge tömören megfogalmazta a kihívást:”Nem az [AI]-et használja, vagy nem, de hogyan használja? Hogyan használja megfelelően és biztonságosan?”A további kutatások elősegítése érdekében a A modell kódját elérhetővé tették a githubon. href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-Aar–for-science”Target=”_ üres”> A Microsoft szélesebb körű „AI a Science” kezdeményezését, , amely célja a tudományos felfedezés alapvető modelljeinek felépítése. Ez az orvosi AI más jelentős projektjeit követi, gyakran a washingtoni egyetemmel együttműködve. Ezt megelőzően elindította a Gigapath-ot, egy erőteljes Vision transzformátort a masszív digitális patológia diák elemzésére a rákkutatás elősegítésére. A rendellenességi detektálási modell (FCDD) felülmúlta a hagyományos bináris osztályozást mind kiegyensúlyozott, mind kiegyensúlyozatlan (alacsony prontelitású) forgatókönyvekben.