Tuvākajā nākotnē radiologi varēs izmantot mākslīgo intelektu, lai noteiktu smadzeņu audzējus.

Žurnālā “Biology Methods and Protocols ” publicētajā rakstā “Dziļā mācīšanās un mācīšanās pārnese smadzeņu audzēju noteikšanai un klasifikācijai” teikts, ka zinātnieki var apmācīt mākslīgā intelekta (MI) modeļus atšķirt smadzeņu audzējus no veseliem audiem. MI modeļi jau tagad var noteikt smadzeņu audzējus MRI attēlos gandrīz tikpat labi kā cilvēks radiologs.

Pētnieki ir guvuši stabilus panākumus mākslīgā intelekta pielietošanā medicīnā. Mākslīgais intelekts ir īpaši daudzsološs radioloģijā, kur gaidīšana, kamēr tehniķi apstrādā medicīniskos attēlus, var aizkavēt pacientu ārstēšanu. Konvolucionālie neironu tīkli ir jaudīgi rīki, kas ļauj pētniekiem apmācīt mākslīgā intelekta modeļus, izmantojot lielus attēlu kopumus atpazīšanai un klasificēšanai.

Tādā veidā tīkli var "iemācīties" atšķirt attēlus. Tiem ir arī spēja "pārnest zināšanas". Zinātnieki var atkārtoti izmantot vienam uzdevumam apmācītu modeli jaunam, bet saistītam projektam.

Lai gan maskētu dzīvnieku atklāšana un smadzeņu audzēju klasificēšana ietver ļoti dažāda veida attēlus, pētnieki ieteica, ka pastāv paralēle starp dzīvnieku, kas slēpjas, pateicoties dabiskajai maskēšanai, un vēža šūnu grupu, kas saplūst ar apkārtējiem veselajiem audiem.

Apgūtais vispārināšanas process — dažādu objektu grupēšana zem viena identifikatora — ir svarīgs, lai izprastu, kā tīkls var atklāt maskētus objektus. Šāda mācīšanās varētu būt īpaši noderīga audzēju atklāšanā.

Šajā publiski pieejamo MRI datu retrospektīvajā pētījumā pētnieki pārbaudīja, kā neironu tīkla modeļus varētu apmācīt ar smadzeņu vēža datiem, ieviešot unikālu pārneses mācīšanās soli, lai atklātu maskētus dzīvniekus un uzlabotu tīkla audzēju noteikšanas prasmes.

Izmantojot MRI attēlus no publiski pieejamiem tiešsaistes vēža datu avotiem un veselīgu smadzeņu kontroles attēlus (tostarp Kaggle, NIH vēža attēlu arhīvu un VA veselības sistēmu Bostonā), pētnieki apmācīja tīklus atšķirt veselīgus un vēža MRI attēlus, identificēt vēža skarto zonu un vēža prototipisko izskatu (vēža audzēja veidu).

Pētnieki atklāja, ka tīkli gandrīz perfekti identificēja normālus smadzeņu attēlus tikai ar vienu vai diviem viltus negatīviem rezultātiem un atšķīra vēža skartas un veselīgas smadzenes. Pirmais tīkls uzrādīja vidējo precizitāti 85,99% smadzeņu vēža noteikšanā, bet otrais - 83,85%.

Tīkla galvenā iezīme ir vairāki veidi, kā var izskaidrot tā lēmumus, kas palielina medicīnas speciālistu un pacientu uzticēšanos modeļiem. Dziļie modeļi bieži vien nav pietiekami caurspīdīgi, un, attīstoties šai jomai, kļūst svarīga spēja izskaidrot tīklu lēmumus.

Pateicoties šim pētījumam, tīkls tagad var ģenerēt attēlus, kas parāda konkrētas audzēja klasifikācijas zonas kā pozitīvas vai negatīvas. Tas ļaus radiologiem pārbaudīt savus lēmumus, salīdzinot tos ar tīkla rezultātiem, piešķirot pārliecību, it kā tuvumā būtu otrs "robotizēts" radiologs, kas norāda uz MRI apgabalu, kas norāda uz audzēju.

Nākotnē pētnieki uzskata, ka būs svarīgi koncentrēties uz dziļu tīkla modeļu izveidi, kuru lēmumus var aprakstīt intuitīvi, lai mākslīgais intelekts varētu spēlēt pārredzamu atbalsta lomu klīniskajā praksē.

Lai gan tīkliem visos gadījumos bija grūtības atšķirt smadzeņu audzēju veidus, bija skaidrs, ka tiem pastāv būtiskas atšķirības datu attēlošanā tīklā. Precizitāte un skaidrība uzlabojās, tīkliem apmācot atpazīt maskēšanos. Mācīšanās no citām tehnoloģijām palielināja precizitāti.

Lai gan labākais testētais modelis bija par 6 % mazāk precīzs nekā standarta cilvēka noteikšanas modelis, pētījums veiksmīgi demonstrē kvantitatīvo uzlabojumu, kas panākts, izmantojot šo mācīšanās paradigmu. Pētnieki uzskata, ka šī paradigma apvienojumā ar visaptverošu izskaidrojamības metožu pielietojumu palīdzēs nodrošināt nepieciešamo pārredzamību turpmākajos klīniskajos mākslīgā intelekta pētījumos.

"Mākslīgā intelekta sasniegumi ļauj precīzāk noteikt un atpazīt modeļus," sacīja raksta vadošais autors Arašs Jazdanbakhšs.

"Tas, savukārt, uzlabo uz attēliem balstītu diagnostiku un skrīningu, bet prasa arī vairāk skaidrojumu par to, kā mākslīgais intelekts veic uzdevumu. Tieksme pēc mākslīgā intelekta izskaidrojamības uzlabo cilvēka un mākslīgā intelekta mijiedarbību kopumā. Tas ir īpaši svarīgi starp medicīnas speciālistiem un mākslīgo intelektu, kas paredzēts medicīniskiem mērķiem."

"Skaidri un izskaidrojami modeļi ir labāk piemēroti diagnozes noteikšanai, slimības progresēšanas izsekošanai un ārstēšanas uzraudzībai."