Microsoft i UW opracowują sztuczną inteligencję, która spotyka raka piersi, ucząc się, co jest normalne

Naukowcy z AI Microsoft dla Good Lab i University of Washington zaprezentowali nowy model AI, który wykrywa raka piersi w skanach MRI z bezprecedensową dokładnością. System, szczegółowo opisane w czasopiśmie radiologii , Rzuci tradycyjne podejście na głowie.

zamiast treningu na obrazach rakowych, uczy się tego, co normalne, zdrowe tkanka wygląda na to, aby lepiej identyfikować anomolii. Ta metoda, współpraca z Fred Hutchinson Cancer Center, poprawia wykrywanie i generuje mapy cieplne, aby poprowadzić radiologów.

Przełom może sprawić, że bardzo wrażliwe badania MRI są bardziej wydajne i dostępne, zajmując się kluczowymi wyzwaniami we wczesnej diagnozie raka.

Nowe podejście do wykrywania raka

Innowacja systemu polega na metodzie zwanej „Wykrywaniem anomalii”, która zasadniczo odwraca tradycyjną logikę szkolenia AI w diagnostyce medycznej. Zamiast karmienia tysiące przykładów nowotworów złośliwych, aby dowiedzieć się, jak wygląda rak, model był wyczerpany wyłącznie na zdjęciach normalnej, łagodnej tkanki piersi. Ta współpraca między Microsoft, University of Washington i Fred Hutchinson Cancer Center skutecznie uczy sztucznej inteligencji, aby stać się ekspertem w tym, co jest zdrowe.

Ta sprzeczna strategia bezpośrednio odnosi się do trwałego wyzwania w sztucznej inteligencji: brak równowagi danych. W rzeczywistych warunkach klinicznych zestawy danych zawierają w przeważającej mierze bardziej nieczerniałe skany niż rakowe, które mogą wypaczyć wydajność modeli konwencjonalnych.

, koncentrując się na obfitych „normalnych” danych, naukowcy stworzyli bardziej solidny i wydajny system. Jak wyjaśniła profesor radiologii UW Savannah Partridge: „Podejście, zwane„ wykrywaniem anomalii “, ma sens, biorąc pod uwagę, że naukowcy mają wiele bardziej nienowotworowych obrazów niż te pokazujące chorobę, więc jesteśmy w stanie bardziej efektywnie wykorzystać nasze dane.”

Aby zbudować to wyrafinowane zrozumienie normalności, model był przeszkoleni na ogromnym zestawie danych z prawie 9500 egzaminów MRI Zebrane na uniwersytecie w Waszyngtonie przez 17 lat. Analizując tę obszerną bibliotekę, AI konstruuje szczegółową linię bazową o zdrowych cechach tkanki.

, w konsekwencji, gdy jest przedstawiony z nowym skanowaniem, może oznaczać dowolny obszar od tej ustalonej normy jako potencjalnej anomalii wymagającej dalszego badania. Metoda ta okazała się wysoce skuteczna w badaniach retrospektywnych, w których model przewyższył tradycyjne systemy klasyfikacji binarnej, szczególnie w scenariuszach o niskiej próbie, które odzwierciedlają faktyczne badanie populacji.

od czarnej skrzynki do wyjaśniającej AI

znaczącą barierą dla przyjęcia AI w medycynie była problemem „czarne”, w którym modele dostarczają diagnozę bez ujawnienia ich rozumu. Ten nowy system konfrontuje się bezpośrednio z tym wyzwaniem, ustalając priorytety wyjaśniające. Jego kluczową cechą jest możliwość generowania wizualnego mapy cieplnej, która nakłada obraz MRI, wykraczając poza prosty binarny rak lub „brak raka”. To przekształca AI z nieprzezroczystego wyroczni w przezroczystego partnera diagnostycznego dla klinicystów.

Mapa cieplna podkreśla dokładne piksele, które AI zidentyfikowała jako anomalne, dając radiologom wyraźny, intuicyjny przewodnik na temat skupienia ich uwagi. Ta lokalizacja na poziomie pikseli może pomóc w ustalaniu priorytetów przypadków wymagających szybszego przeglądu, prowadzenia dostawców do zamawiania dodatkowego obrazowania lub wskazania dokładnego obszaru wymagającego biopsji. Jak zauważył Felipe Oviedo, starszy analityk badawczy w AI Microsoft dla Good Lab, „nasz model zapewnia zrozumiałe, na poziomie pikseli wyjaśnienie tego, co jest nienormalne w piersi.”

Ta przejrzystość ma kluczowe znaczenie dla budowania zaufania klinicznego i zapewnienia bezpiecznego wdrożenia. Wiarygodność modelu jest dodatkowo wzmacniana rygorystyczną walidacją, w której jego Mapy cieplne nie różnią się znacząco od manualnych adnotacji wyciągniętych przez ekspertów ludzkich . Pokazując swoją pracę, model stanowi możliwy do zweryfikowania wynik, który upoważnia, a nie mistyfikuje, używając go lekarzy.

obiecujące narzędzie na ścieżce do użytku klinicznego

Pomimo dobrych wyników w zakresie badań retrospektywnych, naukowcy są jasne, że narzędzie nie jest jeszcze gotowe do klinicznego. Konieczna jest dalsza walidacja, aby zobaczyć, jak działa z radiologami w rzeczywistym warunkach.

Celem jest rozszerzenie, a nie zastąpienie ludzkiej wiedzy. Savannah Partridge, która jest również dyrektorem badań w obrazowaniu piersi na UW, ma nadzieję, że technologia rozszerzy dostęp do potężnego narzędzia do przesiewowego. „Mamy nadzieję, że będziemy mogli zaoferować MRI piersi większej liczbie kobiet niż w dzisiejszych czasach, ponieważ jest to naprawdę wrażliwe narzędzie do przesiewowego piersi”-powiedziała.

Zespół podkreśla potrzebę starannej i bezpiecznej integracji z klinicznymi przepływami pracy. Partridge zwięźle sformułował wyzwanie: „Nie używasz [AI], czy też nie, ale jak go używasz? Jak go odpowiednio używać?” Aby pomóc w dalszych badaniach, kod modelu został udostępniony na github .

część szerszego „AI for Science” Push