Cercetătorii de la AI Microsoft pentru Good Lab și Universitatea din Washington au dezvăluit un nou model AI care detectează cancerul de sân în scanările RMN cu o precizie fără precedent. Sistemul, detaliat în jurnalul Radiology , aruncă abordarea tradițională pe capul său.
în loc să te antrenezi pe imagini canome, învață ceea ce arată țesuturile normale, sănătoase, cu mai bine identificarea anomelor. Această metodă, o colaborare cu Fred Hutchinson Cancer Center, îmbunătățește detectarea și generează focuri de căldură pentru a ghida radiologii.
Descoperirea ar putea face proiecțiile RMN extrem de sensibile mai eficiente și accesibile, abordând provocări cheie în diagnosticul de cancer timpuriu. src=”date: imagine/svg+xml; nitro-go-id=mty0ndoxmja2-1; base64, phn2zyb2awv3qm94psiwidagmti4mca1nt Miihdpzhropsixmjgwiibozwlnahq9iju1mygeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3nzz4=”>
O abordare nouă pentru depistarea cancerului
Inovația sistemului se află într-o metodă numită „Detectarea anomaliei”, care inversează fundamental logica tradițională a antrenamentului AI pentru diagnosticare medicală. În loc să fie hrănit mii de exemple de tumori maligne pentru a afla cum arată cancerul, modelul a fost instruit exclusiv pe imagini cu țesut mamar normal, benign. Această colaborare între Microsoft, Universitatea din Washington și Fred Hutchinson Cancer Center învață efectiv AI-ul să devină expert în ceea ce este sănătos.
Această strategie contraintuitivă abordează direct o provocare persistentă în AI medicală: dezechilibrul datelor. În setările clinice din lumea reală, seturile de date conțin copleșitor de scanări mai non-canceroase decât cele canceroase, ceea ce poate împiedica performanța modelelor convenționale.
, concentrându-se pe datele „normale” abundente, cercetătorii au creat un sistem mai robust și mai eficient. După cum a explicat profesorul UW de radiologie Savannah Partridge, „abordarea, numită„ Detectarea anomaliei “, are sens, având în vedere că cercetătorii au multe mai multe imagini non-canceroase decât cele care arată boala, așa că putem să ne utilizăm datele mai eficient. href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ Blank”> instruit pe un set de date vast de aproape 9.500 de examene RMN colectate la Universitatea din Washington pe o perioadă de 17 ani. Analizând această bibliotecă extinsă, AI construiește o bază de bază detaliată a caracteristicilor țesuturilor sănătoase.
În consecință, atunci când este prezentat cu o nouă scanare, poate semnala orice zonă care se abate de la această normă stabilită ca o potențială anomalie care necesită investigații suplimentare. Această metodă s-a dovedit extrem de eficientă în studiile retrospective, în care modelul a depășit sistemele tradiționale de clasificare binară, în special în scenarii de prevalență scăzută care oglindesc screeningul real al populației.
de la Black Box până la AI-ul explicabil
o barieră semnificativă la adoptarea AI în medicină a fost problema „Black Box”, unde modelele livrează o diagnosticare fără a-și revela motivul. Acest nou sistem se confruntă direct cu această provocare prin prioritizarea explicabilității. Caracteristica sa cheie este capacitatea de a genera o foaie de căldură vizuală care suprapune imaginea RMN, trecând dincolo de o simplă producție binară „cancer” sau „fără cancer”. Aceasta transformă AI-ul dintr-un oracol opac într-un partener de diagnostic transparent pentru clinicieni.
Heatmap evidențiază exact pixelii pe care AI le-a identificat ca anomal, oferind radiologilor un ghid clar și intuitiv pe locul în care să-și concentreze atenția. Această localizare la nivel de pixeli poate ajuta la prioritizarea cazurilor care au nevoie de o revizuire mai rapidă, de furnizori de ghid pentru a comanda imagini suplimentare sau de a indica zona precisă care necesită o biopsie. În calitate de Felipe Oviedo, un analist de cercetare senior la AI Microsoft pentru Good Lab, a menționat: „Modelul nostru oferă o explicație de înțeles la nivel de pixeli a ceea ce este anormal într-un sân. Credibilitatea modelului este consolidată în continuare de o validare riguroasă, unde Heatmaps s-a dovedit a fi semnificativ diferite de la adnotările manuale desenate de experți în radiologii umani . Arătându-și munca, modelul oferă un rezultat verificabil care împuternicește, mai degrabă decât mistifică, profesioniștii medicali care îl folosesc.
Un instrument promițător pe calea utilizării clinice
În ciuda performanței puternice în studiile retrospective, cercetătorii sunt clare că instrumentul nu este încă pregătit pentru imploarea clinică. Este necesară o validare suplimentară pentru a vedea cum se desfășoară împotriva radiologilor în setările din lumea reală.
Scopul este de a mări, nu de a înlocui expertiza umană. Savannah Partridge, care este, de asemenea, directorul de cercetare al imaginilor sâni la UW, speră că tehnologia va extinde accesul la un instrument de screening puternic.”Sperăm să putem oferi RMN de sân mai multor femei decât noi în zilele noastre, deoarece este un instrument cu adevărat sensibil la screeningul sânului”, a spus ea.
Echipa subliniază necesitatea unei integrări atente și sigure în fluxuri de lucru clinice. Partridge a încadrat succint provocarea: „Nu folosiți [AI], sau nu, dar cum o utilizați? Cum o utilizați în mod corespunzător și în siguranță?”Pentru a ajuta cercetările ulterioare, Codul modelului a fost pus la dispoziție pe github .