Các nhà nghiên cứu từ Microsoft AI AI cho Good Lab và Đại học Washington đã tiết lộ một mô hình AI mới phát hiện ung thư vú trong quét MRI với độ chính xác chưa từng có. Hệ thống, Chi tiết trong tạp chí X quang Phương pháp này, sự hợp tác với Trung tâm Ung thư Fred Hutchinson, cải thiện sự phát hiện và tạo ra các bản đồ nhiệt để hướng dẫn các bác sĩ X quang. src=”Dữ liệu: Image/SVG+XML; Miihdpzhropsixmjgwiibozwlnahq9iju1myigeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2zz4=”>
Một cách tiếp cận mới để phát hiện ung thư
Sự đổi mới của hệ thống nằm ở một phương pháp gọi là phát hiện dị thường,”về cơ bản đảo ngược logic truyền thống của đào tạo AI để chẩn đoán y khoa. Thay vì được cho ăn hàng ngàn ví dụ về các khối u ác tính để tìm hiểu ung thư trông như thế nào, mô hình được đào tạo độc quyền về hình ảnh của mô vú bình thường, lành tính. Sự hợp tác này giữa Microsoft, Đại học Washington và Trung tâm Ung thư Fred Hutchinson dạy AI một cách hiệu quả để trở thành một chuyên gia về những gì khỏe mạnh. Trong các cài đặt lâm sàng trong thế giới thực, các bộ dữ liệu chứa nhiều lần quét không gây ung thư hơn các dữ liệu ung thư, điều này có thể làm giảm hiệu suất của các mô hình thông thường. Như Giáo sư X quang Savannah Partridge đã giải thích, cách tiếp cận, được gọi là phát hiện dị thường,”có ý nghĩa khi các nhà nghiên cứu có nhiều hình ảnh không ung thư hơn so với những người cho thấy bệnh tật, vì vậy chúng tôi có thể tận dụng dữ liệu của chúng tôi hiệu quả hơn. href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″Target=”_ Blank”> được đào tạo trên một bộ dữ liệu rộng lớn với gần 9.500 kỳ thi MRI được thu thập tại Đại học Washington trong thời gian 17 năm. Bằng cách phân tích thư viện rộng rãi này, AI xây dựng một cơ sở chi tiết về các đặc điểm mô khỏe mạnh. Phương pháp này đã chứng minh hiệu quả cao trong các nghiên cứu hồi cứu, trong đó mô hình vượt trội so với các hệ thống phân loại nhị phân truyền thống, đặc biệt là trong các kịch bản tỷ lệ mắc thấp phản ánh sàng lọc dân số thực tế. Hệ thống mới này trực tiếp đối mặt với thách thức đó bằng cách ưu tiên khả năng giải thích. Tính năng chính của nó là khả năng tạo ra một bản đồ nhiệt thị giác phủ lên hình ảnh MRI, vượt ra ngoài một loại ung thư nhị phân đơn giản”hoặc không có ung thư”. Điều này biến AI từ một nhà tiên tri mờ thành đối tác chẩn đoán trong suốt cho các bác sĩ lâm sàng. Bản địa hóa cấp độ pixel này có thể giúp ưu tiên các trường hợp cần xem xét nhanh hơn, hướng dẫn các nhà cung cấp trong việc đặt hàng hình ảnh bổ sung hoặc chỉ ra khu vực chính xác đòi hỏi sinh thiết. Là Felipe Oviedo, một nhà phân tích nghiên cứu cao cấp tại Microsoft AI AI cho Good Lab, lưu ý, mô hình của chúng tôi cung cấp một lời giải thích ở cấp độ pixel dễ hiểu về những gì mà bất thường ở vú.”Độ tin cậy của mô hình được củng cố thêm bằng cách xác nhận nghiêm ngặt, trong đó Bằng cách hiển thị công việc của mình, mô hình cung cấp một kết quả có thể kiểm chứng được trao quyền, thay vì bí ẩn, các chuyên gia y tế sử dụng nó. Cần xác nhận thêm để xem cách thức hoạt động chống lại các bác sĩ X quang trong các thiết lập trong thế giới thực.
Mục tiêu là tăng cường, không thay thế, chuyên môn của con người. Savannah Partridge, người cũng là giám đốc nghiên cứu về hình ảnh vú tại UW, hy vọng công nghệ sẽ mở rộng quyền truy cập vào một công cụ sàng lọc mạnh mẽ. Chúng tôi hy vọng có thể cung cấp MRI vú cho nhiều phụ nữ hơn chúng ta ngày nay bởi vì đây là một công cụ sàng lọc vú thực sự nhạy cảm”, cô nói. Partridge đóng khung thử thách ngắn gọn: Bạn không sử dụng [AI], hoặc bạn không, nhưng làm thế nào để bạn sử dụng nó? Làm thế nào để bạn sử dụng nó một cách thích hợp và an toàn?”Để hỗ trợ nghiên cứu sâu hơn, Mã mẫu đã được cung cấp trên GitHub . href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”Target=”_ Blank”> Microsoft Nó theo sau các dự án quan trọng khác trong AI y tế, thường phối hợp với Đại học Washington. Trước đó, nó đã ra mắt Gigapath, một máy biến áp tầm nhìn mạnh mẽ để phân tích các slide bệnh lý kỹ thuật số lớn để hỗ trợ nghiên cứu ung thư. Mô hình phát hiện dị thường (FCDD) vượt trội so với phân loại nhị phân thông thường trong cả hai kịch bản cân bằng và mất cân bằng (tỷ lệ mắc thấp).