{vembed Y=urJ7QEdhP_U}
Nowe badanie wykazało, że narzędzie sztucznej inteligencji — wyszkolone na około milionie obrazów mammografii przesiewowej — może zidentyfikować raka piersi z około 90% dokładnością w połączeniu z analizą radiologiczną.
W badaniu zbadano zdolność pewnego rodzaju sztucznej inteligencji (AI), programu komputerowego do uczenia maszynowego, do zwiększenia wartości diagnoz, do której dotarła grupa 14 radiologów, którzy przeanalizowali 720 mammogram obrazy.
„Ostatecznym celem naszej pracy jest wzmocnienie, a nie zastąpienie ludzkich radiologów”.
„Nasze badanie wykazało, że sztuczna inteligencja zidentyfikowała wzorce związane z rakiem w danych, których radiolodzy nie byli w stanie i na odwrót”, mówi starszy autor badania Krzysztof Geras, adiunkt na wydziale radiologii w Grossman School of Medicine na Uniwersytecie Nowojorskim.
„Sztuczna inteligencja wykryła zmiany na poziomie pikseli w tkankach niewidocznych dla ludzkiego oka, podczas gdy ludzie stosowali formy rozumowania niedostępne dla sztucznej inteligencji” – dodaje Geras, również stowarzyszony członek wydziału w Center for Data Science. „Ostatecznym celem naszej pracy jest wzmocnienie, a nie zastąpienie ludzkich radiologów”.
W 2014 roku kobiety (bez objawów) w Stanach Zjednoczonych przeszły ponad 39 milionów badań mammograficznych w celu zbadania raka piersi i określenia potrzeby dokładniejszej obserwacji. Kieruje się kobiety, których wyniki badań dają nieprawidłowe wyniki badań mammograficznych biopsja, procedura, która usuwa niewielką próbkę tkanki piersi do badań laboratoryjnych.
Narzędzie AI nauczyło się przewidywać, które zmiany są prawdopodobnie złośliwe (czerwona mapa cieplna) lub prawdopodobnie łagodne (zielona mapa cieplna), co może pomóc radiologom w diagnozowaniu raka piersi. (Źródło: NYU School of Medicine)
W nowym badaniu zespół badawczy zaprojektował techniki statystyczne, które pozwalają programowi „uczyć się”, jak lepiej wykonać zadanie, bez dokładnego wyjaśnienia, w jaki sposób. Takie programy budują modele matematyczne, które umożliwiają podejmowanie decyzji na podstawie wprowadzonych do nich przykładów danych, a program staje się „mądrzejszy”, ponieważ przegląda coraz więcej danych.
Nowoczesne podejścia do sztucznej inteligencji, które czerpią inspirację z ludzkiego mózgu, wykorzystują złożone obwody do przetwarzania informacji w warstwach, przy czym każdy krok przekazuje informacje do następnego i przypisuje mniej lub bardziej wagę każdej informacji po drodze.
Autorzy niniejszego badania ćwiczyli swoje narzędzie AI na wielu obrazach dopasowanych do wyników biopsji wykonanych w przeszłości. Ich celem było udostępnienie narzędzia, które pomoże radiologom w zmniejszeniu liczby potrzebnych biopsji w przyszłości. Można to osiągnąć, mówi Geras, tylko poprzez zwiększenie zaufania lekarzy do dokładności ocen dokonywanych podczas badań przesiewowych (na przykład zmniejszenie fałszywie dodatni i wyniki fałszywie ujemne).
W bieżącym badaniu zespół badawczy przeanalizował obrazy zebrane w ramach rutynowej opieki klinicznej przez siedem lat, przesiewając zebrane dane i łącząc obrazy z wynikami biopsji. Dzięki temu wysiłkowi udało się stworzyć niezwykle duży zestaw danych, na którym mogą trenować narzędzia sztucznej inteligencji, składający się z 229,426 1,001,093 cyfrowych badań mammografii przesiewowej i 10,000 XNUMX XNUMX obrazów. Większość baz danych, z których badacze korzystali do tej pory w badaniach, ograniczała się do XNUMX XNUMX obrazów lub mniej.
W ten sposób naukowcy wyszkolili swoją sieć neuronową, programując ją do analizy obrazów z bazy danych, dla której już ustalono diagnozy raka. Oznaczało to, że badacze znali „prawdę” dla każdego obrazu mammograficznego (raka lub nie), testując dokładność narzędzia, podczas gdy narzędzie musiało zgadywać. Naukowcy zmierzyli dokładność częstotliwości poprawnych prognoz.
Ponadto naukowcy zaprojektowali model badania AI, aby najpierw osobno rozważyć bardzo małe fragmenty obrazu w pełnej rozdzielczości, aby stworzyć mapę cieplną, statystyczny obraz prawdopodobieństwa choroby. Następnie program analizuje całą pierś pod kątem cech strukturalnych związanych z rakiem, zwracając większą uwagę na obszary oznaczone na mapie cieplnej na poziomie pikseli.
Zamiast kazać naukowcom identyfikować cechy obrazu do wyszukiwania przez sztuczną inteligencję, narzędzie samo odkrywa, które cechy obrazu zwiększają dokładność przewidywania. Idąc dalej, zespół planuje jeszcze bardziej zwiększyć tę dokładność, szkoląc program sztucznej inteligencji na większej ilości danych, być może nawet identyfikując zmiany w tkance piersi, które nie są jeszcze nowotworowe, ale mają potencjał.
„Przejście na wsparcie sztucznej inteligencji w radiologii diagnostycznej powinno przebiegać tak, jak wprowadzanie autonomicznych samochodów – powoli i ostrożnie, budując zaufanie i ulepszając po drodze systemy z naciskiem na bezpieczeństwo” – mówi pierwszy autor Nan Wu, doktorant Centrum Nauki o Danych.
Badanie pojawia się w Transakcje IEEE dotyczące obrazowania medycznego.
O autorze
Starszy autor badania Krzysztof Geras jest adiunktem na wydziale radiologii w Grossman School of Medicine na Uniwersytecie Nowojorskim.
Dodatkowi współautorzy pochodzą z NYU, SUNY Downstate College of Medicine, Uniwersytetu Cambridge i Uniwersytetu Jagiellońskiego.
Wsparcie dla prac pochodziło częściowo z Narodowych Instytutów Zdrowia. Model zastosowany w tym badaniu został udostępniony w terenie w celu stymulowania innowacji.
Powiązane książki:
Ciało utrzymuje wynik: mózg, umysł i ciało w leczeniu traumy
przez Bessela van der Kolka
Ta książka bada powiązania między traumą a zdrowiem fizycznym i psychicznym, oferując spostrzeżenia i strategie leczenia i powrotu do zdrowia.
Kliknij, aby uzyskać więcej informacji lub zamówić
Oddech: nowa nauka o utraconej sztuce
przez Jamesa Nestora
Ta książka bada naukę i praktykę oddychania, oferując spostrzeżenia i techniki poprawy zdrowia fizycznego i psychicznego.
Kliknij, aby uzyskać więcej informacji lub zamówić
Paradoks roślin: ukryte zagrożenia w „zdrowej” żywności, które powodują choroby i przyrost masy ciała
przez Stevena R. Gundry'ego
Ta książka bada powiązania między dietą, zdrowiem i chorobami, oferując spostrzeżenia i strategie poprawy ogólnego stanu zdrowia i dobrego samopoczucia.
Kliknij, aby uzyskać więcej informacji lub zamówić
Kod odpornościowy: nowy paradygmat prawdziwego zdrowia i radykalnego przeciwdziałania starzeniu się
autorstwa Joela Greene'a
Ta książka oferuje nowe spojrzenie na zdrowie i odporność, opierając się na zasadach epigenetyki i oferując spostrzeżenia i strategie optymalizacji zdrowia i starzenia się.
Kliknij, aby uzyskać więcej informacji lub zamówić
Kompletny przewodnik po poście: uzdrawiaj swoje ciało poprzez post przerywany, co drugi dzień i przedłużony
autorstwa dr Jasona Funga i Jimmy'ego Moore'a
Ta książka bada naukę i praktykę postu, oferując spostrzeżenia i strategie poprawy ogólnego stanu zdrowia i dobrego samopoczucia.
