Microsoft dan UW mengembangkan AI yang melihat kanker payudara dengan mempelajari apa yang normal

Peneliti dari Microsoft AI for Good Lab dan University of Washington telah meluncurkan model AI baru yang mendeteksi kanker payudara dalam pemindaian MRI dengan akurasi yang belum pernah terjadi sebelumnya. Sistem, Detail dalam jurnal Radiology , membalikkan pendekatan tradisional seperti apa normalnya. Metode ini, kolaborasi dengan Fred Hutchinson Cancer Center, meningkatkan deteksi dan menghasilkan peta panas untuk memandu ahli radiologi.

Terobosan dapat membuat pemutaran MRI yang sangat sensitif lebih efisien dan dapat diakses, mengatasi tantangan utama dalam diagnosis kanker awal.

pendekatan baru untuk melihat kanker

Inovasi sistem terletak pada metode yang disebut”deteksi anomali,”yang secara fundamental membalikkan logika tradisional pelatihan AI untuk diagnostik medis. Alih-alih diberi makan ribuan contoh tumor ganas untuk mempelajari seperti apa kanker itu, model ini secara eksklusif dilatih pada gambar jaringan payudara yang normal dan jinak. Kolaborasi antara Microsoft, University of Washington, dan Pusat Kanker Fred Hutchinson secara efektif mengajarkan AI untuk menjadi ahli dalam apa yang sehat.

Strategi berlawanan ini secara langsung mengatasi tantangan yang terus-menerus dalam AI medis: ketidakseimbangan data. Dalam pengaturan klinis dunia nyata, dataset mengandung pemindaian yang lebih non-kanker daripada yang kanker, yang dapat condong kinerja model konvensional.

Dengan berfokus pada data”normal”yang melimpah, para peneliti menciptakan sistem yang lebih kuat dan efisien. Seperti yang dijelaskan oleh profesor UW Radiology Savannah Partridge, “Pendekatan, yang disebut“ deteksi anomali, “masuk akal mengingat bahwa para peneliti memiliki lebih banyak gambar non-kanker daripada yang menunjukkan penyakit, jadi kami dapat memanfaatkan data kami dengan lebih efisien.”

Untuk membangun pemahaman yang canggih ini, model ini adalah

Untuk membangun pemahaman yang canggih tentang normalitas ini, model ini adalah dilatih pada dataset luas hampir 9.500 ujian MRI dikumpulkan di University of Washington selama periode 17 tahun. Dengan menganalisis perpustakaan yang luas ini, AI membangun garis dasar terperinci dari karakteristik jaringan sehat.

Akibatnya, ketika disajikan dengan pemindaian baru, ia dapat menandai area apa pun yang menyimpang dari norma yang ditetapkan ini sebagai anomali potensial yang membutuhkan penyelidikan lebih lanjut. Metode ini terbukti sangat efektif dalam studi retrospektif, di mana model mengungguli sistem klasifikasi biner tradisional, terutama dalam skenario prevalensi rendah yang mencerminkan skrining populasi aktual.

dari kotak hitam ke AI yang dapat dijelaskan

Penghalang yang signifikan terhadap adopsi AI dalam kedokteran adalah”Black Box. Sistem baru ini secara langsung menghadapi tantangan itu dengan memprioritaskan kemampuan menjelaskan. Fitur utamanya adalah kemampuan untuk menghasilkan panas visual yang menutupi gambar MRI, bergerak melampaui output”kanker”atau”tidak ada kanker”yang sederhana. Ini mengubah AI dari oracle buram menjadi mitra diagnostik transparan untuk dokter.

Panas menyoroti piksel yang tepat yang diidentifikasi AI sebagai anomali, memberikan radiologi panduan yang jelas dan intuitif tentang di mana harus memfokuskan perhatian mereka. Lokalisasi tingkat piksel ini dapat membantu memprioritaskan kasus-kasus yang membutuhkan peninjauan lebih cepat, memandu penyedia dalam memesan pencitraan tambahan, atau menunjukkan area yang tepat yang membutuhkan biopsi. Sebagai Felipe Oviedo, seorang analis riset senior di Microsoft’s AI for Good Lab, mencatat,”Model kami memberikan penjelasan tingkat piksel yang dapat dimengerti tentang apa yang tidak normal di payudara.”

Transparansi ini sangat penting untuk membangun kepercayaan klinis dan memastikan implementasi yang aman. Kredibilitas model lebih lanjut didukung oleh validasi yang ketat, di mana Heatmaps ditemukan tidak berbeda secara signifikan dari annotasi manual yang ditarik oleh ahli humanation. Dengan menunjukkan pekerjaannya, model ini memberikan hasil yang dapat diverifikasi yang memberdayakan, daripada mistikus, para profesional medis yang menggunakannya.

Tim menekankan perlunya integrasi yang cermat dan aman ke dalam alur kerja klinis. Partridge membingkai tantangan dengan ringkas:”Bukan apakah Anda menggunakan [AI], atau tidak, tetapi bagaimana Anda menggunakannya? Bagaimana Anda menggunakannya dengan tepat dan aman?”To aid further research, the model’s code has been made available on GitHub.

Part of Microsoft’s Broader ‘AI for Science’ Push

This development is the latest in inisiatif”ai for science”Microsoft, yang bertujuan untuk membangun model dasar untuk penemuan ilmiah. Ini mengikuti proyek-proyek penting lainnya dalam AI medis, sering bekerja sama dengan University of Washington.

Tahun lalu, Microsoft memperkenalkan BiomedParse, model yang dirancang untuk menyatukan tugas analisis gambar medis. Sebelum itu, meluncurkan Gigapath, transformator visi yang kuat untuk menganalisis slide patologi digital besar-besaran untuk membantu dalam penelitian kanker.

Alat-alat ini menandakan fokus strategis untuk menciptakan AI khusus yang dapat menguraikan data biologis yang kompleks. Model Deteksi Anomali (FCDD) mengungguli klasifikasi biner konvensional dalam skenario yang seimbang dan tidak seimbang (prevalensi rendah).