Microsoft e UW sviluppano AI che individua il cancro al seno imparando ciò che è normale

I ricercatori dell’IA di Microsoft per Good Lab e dell’Università di Washington hanno svelato un nuovo modello di intelligenza artificiale che rileva il cancro al seno nelle scansioni MRI con precisione senza precedenti. Il sistema, dettagliato nella radiologia del diario , lancia l’approccio tradizionale sulla sua testa.

Invece di addestrarsi sulle immagini cancerose, che impara quale normalità sembra salutare i tessuti. Questo metodo, una collaborazione con il Fred Hutchinson Cancer Center, migliora il rilevamento e genera mappe di calore per guidare i radiologi.

La svolta potrebbe rendere le proiezioni di risonanza magnetica altamente sensibili più efficienti e accessibili, affrontando le principali sfide nella diagnosi del cancro precoce.

>

Un nuovo approccio allo individuazione del cancro

L’innovazione del sistema si trova in un metodo chiamato”Rilevamento di anomalie”, che inverte fondamentalmente la logica tradizionale della formazione AI per la diagnostica medica. Invece di essere alimentati a migliaia di esempi di tumori maligni per imparare come appare il cancro, il modello è stato addestrato esclusivamente su immagini di tessuto mammario normale e benigno. Questa collaborazione tra Microsoft, l’Università di Washington e il Fred Hutchinson Cancer Center insegna effettivamente all’IA a diventare un esperto in ciò che è sano.

Questa strategia controintuitiva affronta direttamente una sfida persistente nell’intelligenza artificiale medica: squilibrio dei dati. In contesti clinici nel mondo reale, i set di dati contengono scansioni schiaccianti più non cancerose di quelle cancerose, che possono distorcere le prestazioni dei modelli convenzionali.

concentrandosi sugli abbondanti dati”normali”, i ricercatori hanno creato un sistema più robusto ed efficiente. Come ha spiegato il professore di radiologia di radiologia Savannah Partridge,”L’approccio, chiamato”rilevamento di anomalie”, ha senso dato che i ricercatori hanno molte più immagini non cancerose di quelle che mostrano la malattia, quindi siamo in grado di sfruttare i nostri dati in modo più efficiente.”

per costruire questa sofisticata comprensione della normalità, il modello era addestrato su un vasto set di dati di quasi 9.500 esami MRI raccolti presso l’Università di Washington per un periodo di 17 anni. Analizzando questa vasta biblioteca, l’IA costruisce una base dettagliata di caratteristiche di tessuto sano.

Di conseguenza, quando presentato con una nuova scansione, può contrassegnare qualsiasi area che si discosta da questa norma stabilita come una potenziale anomalia che richiede ulteriori indagini. Questo metodo si è rivelato altamente efficace negli studi retrospettivi, in cui il modello ha sovraperformato i tradizionali sistemi di classificazione binaria, in particolare in scenari a bassa prevalenza che rispecchiano lo screening della popolazione effettiva.

dalla scatola nera a AI

Una barriera significativa per l’adozione di AI in medicina è stata la”scatola nera”, le modalità di rivedere le loro ragioni. Questo nuovo sistema affronta direttamente questa sfida dando la priorità alla spiegabilità. La sua caratteristica chiave è la capacità di generare una mappa di calore visiva che si sovrappone all’immagine della risonanza magnetica, andando oltre un semplice output binario”cancro”o”nessun cancro”. Ciò trasforma l’intelligenza artificiale da un oracolo opaco in un partner diagnostico trasparente per i medici.

La mappa di calore evidenzia gli esatti pixel che l’intelligenza artificiale ha identificato come anomale, dando ai radiologi una guida chiara e intuitiva su dove focalizzare la loro attenzione. Questa localizzazione a livello di pixel può aiutare a dare la priorità ai casi che necessitano di una revisione più rapida, a guidare i fornitori nell’ordinazione di imaging aggiuntivo o indicare l’area precisa che richiede una biopsia. Come ha osservato Felipe Oviedo, un analista di ricerca senior presso l’IA per il buon laboratorio di Microsoft, ha osservato:”Il nostro modello fornisce una spiegazione comprensibile a livello di pixel di ciò che è anormale in un seno.”

Questa trasparenza è cruciale per la costruzione di fiducia clinica e garantire un’implementazione sicura. La credibilità del modello è ulteriormente rafforzata da una rigorosa validazione, in cui la sua i calcoli non sono stati trovati non significativamente diversi dalle annotazioni manuali disegnate da esperti radiologisti . Mostrando il suo lavoro, il modello fornisce un risultato verificabile che autorizza, piuttosto che mistifica, i professionisti medici che lo usano.

Uno strumento promettente sul percorso verso l’uso clinico

Nonostante le forti prestazioni negli studi retrospettivi, i ricercatori sono chiari che lo strumento non è ancora pronto per la distribuzione clinica. È necessaria un’ulteriore validazione per vedere come si comporta contro i radiologi in contesti del mondo reale.

L’obiettivo è aumentare, non sostituire, competenza umana. Savannah Partridge, che è anche direttore della ricerca dell’imaging al seno presso UW, spera che la tecnologia espanda l’accesso a un potente strumento di screening.”Speriamo di essere in grado di offrire la risonanza magnetica al seno a più donne di quanto non facciamo al giorno d’oggi perché è uno strumento di screening del seno davvero sensibile”, ha detto.

Il team sottolinea la necessità di un’attenta e sicura integrazione nei flussi di lavoro clinici. Partridge ha incorniciato la sfida in modo sincero:”Non usi [AI], o non lo fai, ma come lo usi? Come la usi in modo appropriato e sicuro?”Per favorire ulteriori ricerche, il codice del modello è stato reso disponibile su github .

parte della più ampia”AI per scienza”di Microsoft