Kan kunstig intelligens være fremtiden for kreftdiagnose?
I en nylig studie trente forskere en algoritme for å skille mellom ondartede og godartede lesjoner i skanninger av brystvev.
Med kreft er nøkkelen til vellykket behandling å fange den tidlig.
Som det ser ut, har leger tilgang til bildebehandling av høy kvalitet, og dyktige radiologer kan oppdage tegnene til unormal vekst.
Når det er identifisert, er neste trinn for leger å finne ut om veksten er godartet eller ondartet.
Den mest pålitelige metoden er å ta en biopsi, som er en invasiv prosedyre.
Selv da kan det oppstå feil. Noen mennesker får en kreftdiagnose der det ikke er sykdom, mens andre ikke får en diagnose når kreft er tilstede.
Begge utfallene forårsaker nød, og den siste situasjonen kan føre til forsinkelser i behandlingen.
Forskere er opptatt av å forbedre diagnoseprosessen for å unngå disse problemene. Å oppdage om en lesjon er ondartet eller godartet mer pålitelig og uten behov for biopsi, vil være en spillveksler.
Noen forskere undersøker potensialet for kunstig intelligens (AI). I en nylig studie trente forskere en algoritme med oppmuntrende resultater.
AI og elastografi
Ultralydelastografi er en relativt ny diagnostisk teknikk som tester stivheten i brystvevet. Det oppnår dette ved å vibrere vevet, noe som skaper en bølge. Denne bølgen forårsaker forvrengning i ultralydsskanningen, og fremhever områder i brystet der egenskapene er forskjellige fra det omkringliggende vevet.
Fra denne informasjonen er det mulig for en lege å avgjøre om en lesjon er kreft eller godartet.
Selv om denne metoden har et stort potensial, er det tidkrevende å analysere resultatene av elastografi, involverer flere trinn og krever å løse komplekse problemer.
Nylig spurte en gruppe forskere fra Viterbi School of Engineering ved University of Southern California i Los Angeles om en algoritme kunne redusere trinnene som trengs for å hente informasjon fra disse bildene. De publiserte resultatene i tidsskriftet Datametoder i anvendt mekanikk og ingeniørfag.
Forskerne ønsket å se om de kunne trene en algoritme for å skille mellom ondartede og godartede lesjoner i brystskanninger. Interessant, de forsøkte å oppnå dette ved å trene algoritmen ved hjelp av syntetiske data i stedet for ekte skanninger.
Syntetiske data
På spørsmål om hvorfor teamet brukte syntetiske data, sier hovedforfatter Prof. Assad Oberai at det kommer ned på tilgjengeligheten av virkelige data. Han forklarer at “når det gjelder medisinsk bildebehandling, er du heldig hvis du har 1000 bilder. I situasjoner som dette, hvor data er knappe, blir slike teknikker viktige. ”
Forskerne trente sin maskinlæringsalgoritme, som de omtaler som et dypt konvolusjonalt nevralt nettverk, og bruker mer enn 12.000 syntetiske bilder.
Ved slutten av prosessen var algoritmen 100% nøyaktig på syntetiske bilder; neste, de gikk over til virkelige livssøk. De hadde tilgang til bare 10 skanninger: hvorav halvparten viste ondartede lesjoner og den andre halvparten avbildet godartede lesjoner.
“Vi hadde omtrent 80% nøyaktighetsgrad. Deretter fortsetter vi å avgrense algoritmen ved å bruke flere virkelige bilder som innganger. ”
Prof. Assad Oberai
Selv om 80% er bra, er det ikke bra nok - dette er imidlertid bare starten på prosessen. Forfatterne mener at hvis de hadde trent algoritmen på ekte data, kunne det ha vist forbedret nøyaktighet. Forskerne erkjenner også at testen deres var for liten til å forutsi systemets fremtidige evner.
Veksten av AI
De siste årene har det vært en økende interesse for bruk av AI i diagnostikk. Som en forfatter skriver:
"AI blir vellykket brukt for bildeanalyse innen radiologi, patologi og dermatologi, med diagnostisk hastighet som overstiger, og nøyaktighet er parallell, medisinske eksperter."
Imidlertid tror ikke professor Oberai at AI noen gang kan erstatte en utdannet menneskelig operatør. Han forklarer at "[den] generelle konsensus er at disse typer algoritmer har en viktig rolle å spille, inkludert fra bildebehandlere som det vil påvirke mest. Imidlertid vil disse algoritmene være mest nyttige når de ikke fungerer som svarte bokser. Hva så den som førte den til den endelige konklusjonen? Algoritmen må være forklarbar for at den skal fungere som forutsatt. ”
Forskerne håper at de kan utvide sin nye metode for å diagnostisere andre typer kreft. Uansett hvor en svulst vokser, endrer den hvordan et vev oppfører seg fysisk. Det skal være mulig å kartlegge disse forskjellene og trene en algoritme for å få øye på dem.
Men fordi hver type kreft samhandler med omgivelsene så forskjellig, vil en algoritme trenge å overvinne en rekke problemer for hver type. Prof. Oberai jobber allerede med CT-skanning av nyrekreft for å finne måter som AI kan hjelpe diagnosen der.
Selv om dette er tidlige dager for bruk av AI i kreftdiagnose, er det store forhåpninger for fremtiden.
