นักวิจัยจาก AI ของ Microsoft for Good Lab และ University of Washington ได้เปิดตัวโมเดล AI ใหม่ที่ตรวจพบมะเร็งเต้านมในการสแกน MRI ด้วยความแม่นยำเป็นประวัติการณ์ ระบบ รายละเอียดในวารสารรังสีวิทยา วิธีนี้การทำงานร่วมกันกับศูนย์มะเร็ง Fred Hutchinson ปรับปรุงการตรวจจับและสร้างความร้อนเพื่อเป็นแนวทางในการรังสีวิทยา
การพัฒนาสามารถทำให้การคัดกรอง MRI ที่มีความไวสูงและเข้าถึงได้ง่ายขึ้น src=”ข้อมูล: image/svg+xml; nitro-empty-id=mty0ndoxmja2-1; base64, phn2zyb2awv3qm94psiwidagmti4mca1nt miihdpzhropsixmjgwiibozwlnahq9iju1myigeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2zz4=”>>
วิธีการใหม่ในการค้นหามะเร็ง
นวัตกรรมของระบบอยู่ในวิธีการที่เรียกว่า”การตรวจจับความผิดปกติ”ซึ่งเป็นการทำให้ตรรกะดั้งเดิมของการฝึกอบรม AI สำหรับการวินิจฉัยทางการแพทย์ แทนที่จะได้รับตัวอย่างหลายพันตัวอย่างของเนื้องอกมะเร็งเพื่อเรียนรู้ว่ามะเร็งมีลักษณะอย่างไรรูปแบบได้รับการฝึกฝนเฉพาะในภาพของเนื้อเยื่อเต้านมปกติที่อ่อนโยน การทำงานร่วมกันระหว่าง Microsoft, University of Washington และศูนย์มะเร็ง Fred Hutchinson ได้สอนให้ AI เป็นผู้เชี่ยวชาญในสิ่งที่มีสุขภาพดี
กลยุทธ์นี้ตอบโต้ได้โดยตรงกับความท้าทายอย่างต่อเนื่องในการแพทย์ AI: ความไม่สมดุลของข้อมูล ในการตั้งค่าทางคลินิกในโลกแห่งความเป็นจริงชุดข้อมูลมีการสแกนที่ไม่เป็นมะเร็งมากกว่าชุดที่เป็นมะเร็งซึ่งสามารถเบี่ยงเบนประสิทธิภาพของแบบจำลองทั่วไป
โดยมุ่งเน้นไปที่ข้อมูล”ปกติ”ที่อุดมสมบูรณ์นักวิจัยได้สร้างระบบที่แข็งแกร่งและมีประสิทธิภาพมากขึ้น ดังที่ UW ศาสตราจารย์ด้านรังสีวิทยาสะวันนานกกระทาอธิบายว่า“ วิธีการที่เรียกว่า“ การตรวจจับความผิดปกติ” ทำให้รู้สึกว่านักวิจัยมีภาพที่ไม่เป็นมะเร็งมากกว่าที่แสดงโรคดังนั้นเราจึงสามารถใช้ประโยชน์จากข้อมูลของเราได้อย่างมีประสิทธิภาพมากขึ้น”
href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″target=”_ blank”> ได้รับการฝึกฝนในชุดข้อมูลจำนวนมากเกือบ 9,500 MRI การสอบ ที่เก็บรวบรวมที่มหาวิทยาลัยวอชิงตันในระยะเวลา 17 ปี โดยการวิเคราะห์ห้องสมุดที่กว้างขวางนี้ AI จะสร้างรายละเอียดพื้นฐานของลักษณะเนื้อเยื่อที่ดีต่อสุขภาพ
ดังนั้นเมื่อนำเสนอด้วยการสแกนใหม่มันสามารถตั้งค่าสถานะพื้นที่ใด ๆ ที่เบี่ยงเบนจากบรรทัดฐานที่จัดตั้งขึ้นนี้ วิธีนี้ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพสูงในการศึกษาย้อนหลังซึ่งแบบจำลองมีประสิทธิภาพสูงกว่าระบบการจำแนกประเภทไบนารีแบบดั้งเดิมโดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีความมั่นคงต่ำ ระบบใหม่นี้เผชิญหน้ากับความท้าทายโดยตรงโดยจัดลำดับความสำคัญของการอธิบาย คุณสมบัติที่สำคัญของมันคือความสามารถในการสร้างความร้อนที่มองเห็นได้ซึ่งซ้อนทับภาพ MRI ซึ่งเคลื่อนที่เกินกว่า”มะเร็ง”แบบไบนารีที่เรียบง่ายหรือ”ไม่มีมะเร็ง”สิ่งนี้จะเปลี่ยน AI จาก Oracle ทึบแสงให้กลายเป็นพันธมิตรการวินิจฉัยที่โปร่งใสสำหรับแพทย์
ความร้อนจะเน้นถึงพิกเซลที่แน่นอนที่ AI ระบุว่าเป็นความผิดปกติ การแปลระดับพิกเซลนี้สามารถช่วยจัดลำดับความสำคัญกรณีที่ต้องการการตรวจสอบได้เร็วขึ้นผู้ให้บริการคู่มือในการสั่งซื้อการถ่ายภาพเพิ่มเติมหรือระบุพื้นที่ที่แม่นยำที่ต้องใช้การตรวจชิ้นเนื้อ ในฐานะ Felipe Oviedo นักวิเคราะห์การวิจัยอาวุโสของ AI ของ Microsoft for Good Lab กล่าวว่า“ แบบจำลองของเราให้คำอธิบายระดับพิกเซลที่เข้าใจได้เกี่ยวกับสิ่งที่ผิดปกติในเต้านม”
ความโปร่งใสนี้มีความสำคัญต่อการสร้างความไว้วางใจทางคลินิก ความน่าเชื่อถือของโมเดลนั้นได้รับการสนับสนุนเพิ่มเติมจากการตรวจสอบอย่างเข้มงวดโดยที่ ความร้อนพบว่า ด้วยการแสดงผลงานของมันรูปแบบจะให้ผลลัพธ์ที่ตรวจสอบได้ซึ่งให้อำนาจมากกว่าความลึกลับผู้เชี่ยวชาญทางการแพทย์ที่ใช้มัน
เครื่องมือที่มีแนวโน้มบนเส้นทางสู่การใช้งานทางคลินิก
แม้จะมีประสิทธิภาพที่แข็งแกร่งในการศึกษาย้อนหลัง จำเป็นต้องมีการตรวจสอบความถูกต้องเพิ่มเติมเพื่อดูว่ามันทำงานอย่างไรกับนักรังสีวิทยาในการตั้งค่าในโลกแห่งความเป็นจริง
เป้าหมายคือการเพิ่มไม่ใช่แทนที่ความเชี่ยวชาญของมนุษย์ Savannah Partridge ซึ่งเป็นผู้อำนวยการวิจัยด้านการถ่ายภาพเต้านมที่ UW หวังว่าเทคโนโลยีจะขยายการเข้าถึงเครื่องมือคัดกรองที่ทรงพลัง “ เราหวังว่าจะสามารถเสนอ MRI เต้านมให้กับผู้หญิงมากกว่าที่เราทำทุกวันนี้เพราะมันเป็นเครื่องมือตรวจคัดกรองเต้านมที่ละเอียดอ่อนจริงๆ” เธอกล่าว
ทีมเน้นความจำเป็นในการผสมผสานอย่างระมัดระวังและปลอดภัยในเวิร์กโฟลว์ทางคลินิก นกกระทากรอบความท้าทายอย่างย่อ:“ คุณไม่ได้ใช้ [ai] หรือคุณไม่ได้ แต่คุณจะใช้มันอย่างไรคุณจะใช้มันอย่างเหมาะสมและปลอดภัยได้อย่างไร” เพื่อช่วยในการวิจัยเพิ่มเติม รหัสของรุ่นได้รับการจัดทำขึ้นใน GitHub