Onderzoekers van Microsoft’s AI voor Good Lab en de Universiteit van Washington hebben een nieuw AI-model onthuld dat borstkanker detecteert in MRI-scans met een ongekende nauwkeurigheid. Het systeem, gedetailleerd in het tijdschrift Radiology , draait de traditionele aanpak op het hoofd.
in plaats van training op de annulerende afbeeldingen. Deze methode, een samenwerking met Fred Hutchinson Cancer Center, verbetert de detectie en genereert warmtemaps om radiologen te begeleiden.
De doorbraak zou zeer gevoelige MRI-screenings efficiënter en toegankelijker kunnen maken, waarbij belangrijke uitdagingen worden aangepakt in vroege diagnose van kanker.
Deze contra-intuïtieve strategie gaat rechtstreeks een aanhoudende uitdaging aan in medische AI: gegevensinbl aan. In real-world klinische instellingen bevatten datasets overweldigend meer niet-kankerachtige scans dan kankerachtige, die de prestaties van conventionele modellen kunnen scheeftrekken.
Door zich te concentreren op de overvloedige”normale”gegevens, creëerden de onderzoekers een robuuster en efficiënter systeem. Zoals UW-professor in de radiologie Savannah Partridge uitlegde:”De aanpak,”anomaliedetectie genoemd”, is logisch gezien het feit dat onderzoekers veel meer niet-kankerachtige beelden hebben dan degenen die ziekten vertonen, dus we kunnen onze gegevens efficiënter benutten.”
om dit geavanceerde begrip van normaal te bouwen, het model was getraind op een uitgebreide gegevensset van bijna 9.500 MRI-examens verzameld aan de Universiteit van Washington gedurende een periode van 17 jaar. Door deze uitgebreide bibliotheek te analyseren, construeert de AI een gedetailleerde basislijn van gezonde weefselkenmerken.
Bijgevolg kan het, wanneer ze worden gepresenteerd met een nieuwe scan, elk gebied dat van deze gevestigde norm afwijkt als een potentiële anomalie die verder onderzoek vereist. Deze methode bleek zeer effectief in retrospectieve studies, waarbij het model beter presteerde dan traditionele binaire classificatiesystemen, met name in scenario’s met lage prevalentie die de werkelijke bevolkingsscreening weerspiegelen.
van Black Box om een diagnose te geven aan een zwarte doos om een diagnose te verklaren. Dit nieuwe systeem confronteert die uitdaging direct door prioriteit te geven aan de verklaring. Het belangrijkste kenmerk is de mogelijkheid om een visuele warmtemap te genereren die het MRI-beeld bedekt en verder gaat dan een eenvoudige binaire”kanker”of”geen kanker”output. Dit transformeert de AI van een ondoorzichtige orakel in een transparante diagnostische partner voor clinici.
De HeatMap benadrukt de exacte pixels die de AI als abnormaal heeft geïdentificeerd, waardoor radiologen een duidelijke, intuïtieve gids hebben over waar ze hun aandacht kunnen richten. Deze lokalisatie op pixelniveau kan helpen bij het prioriteren van gevallen die een snellere beoordeling nodig hebben, providers begeleiden bij het bestellen van aanvullende beeldvorming of het precieze gebied aangeven dat een biopsie vereist. Als Felipe Oviedo, een senior onderzoeksanalist bij Microsoft’s AI voor Good Lab, merkte op:”Ons model biedt een begrijpelijke verklaring op pixelniveau over wat abnormaal is in een borst.”
Deze transparantie is cruciaal voor het bouwen van klinisch vertrouwen en het waarborgen van veilige implementatie. De geloofwaardigheid van het model wordt verder versterkt door rigoureuze validatie, waarbij zijn hittemaps bleken niet significant te zijn van de handmatige annotaties die zijn geteisterd door deskundige menselijke radiologen . Door zijn werk te tonen, biedt het model een verifieerbaar resultaat dat, in plaats van mystificeert, de medische professionals het gebruiken.
Een veelbelovend hulpmiddel op het pad naar klinisch gebruik
Ondanks sterke prestaties in retrospectieve studies, zijn de onderzoekers duidelijk dat de tool niet klaar is voor klinische implementatie. Verdere validatie is nodig om te zien hoe het presteert tegen radiologen in real-world instellingen.
Het doel is om menselijke expertise te vergroten, niet te vervangen. Savannah Partridge, die ook onderzoeksdirecteur is van borstbeeldvorming bij UW, hoopt dat de technologie de toegang tot een krachtig screeningstool zal uitbreiden.”We hopen dat we borst-MRI aan meer vrouwen kunnen aanbieden dan we tegenwoordig doen, omdat het een echt gevoelig hulpmiddel voor borst screening is,”zei ze. Partridge heeft de uitdaging bondig ingelijst:”Het is niet gebruik van [AI], of niet, maar hoe gebruik je het? Hoe gebruik je het op de juiste manier en veilig?”Om verder onderzoek te helpen, is de Model code beschikbaar gesteld op github . href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”target=”_ blank”> Microsoft’s bredere”AI for Science”-initiatief, die sticht op het bouwen van fundamentele modellen voor wetenschappelijke ontdekking. Het volgt andere belangrijke projecten in medische AI, vaak in samenwerking met de Universiteit van Washington.
Vorig jaar introduceerde Microsoft BiomedParse, een model dat is ontworpen om taken van medische beeldanalyses te verenigen. Daarvoor lanceerde het Gigapath, een krachtige visietransformator voor het analyseren van enorme digitale pathologische dia’s om te helpen bij het onderzoek van kanker.
Deze tools geven een strategische focus aan op het creëren van gespecialiseerde AI die complexe biologische gegevens kan ontleden. Het anomaliedetectiemodel (FCDD) presteerde beter dan conventionele binaire classificatie in zowel evenwichtige als onevenwichtige (lage prevalentie) scenario’s.
