Рентгенологи в ближайшем будущем смогут использовать ИИ для выявления опухолей мозга

В статье под названием "Глубокое обучение и трансферное обучение для выявления и классификации опухолей мозга", опубликованной в Biology Methods and Protocols, говорится, что ученые могут обучить модели искусственного интеллекта (ИИ) различать опухоли мозга и здоровые ткани. Модели ИИ уже могут обнаруживать опухоли мозга на МРТ-изображениях почти так же хорошо, как и врач-рентгенолог.

Исследователи добились устойчивого прогресса в применении ИИ в медицине. ИИ особенно перспективен в радиологии, где ожидание обработки медицинских изображений техническими специалистами может задерживать лечение пациентов. Свёрточные нейронные сети представляют собой мощные инструменты, которые позволяют исследователям обучать модели ИИ на больших наборах изображений для распознавания и классификации.

Таким образом, сети могут "учиться" различать изображения. Они также обладают способностью к "трансферному обучению". Учёные могут повторно использовать модель, обученную для одной задачи, для нового, но связанного проекта.

Хотя обнаружение замаскированных животных и классификация опухолей мозга включают очень разные типы изображений, исследователи предположили, что существует параллель между животным, скрывающимся благодаря природной маскировке, и группой раковых клеток, сливающихся с окружающей здоровой тканью.

Изученный процесс обобщения — объединение разных объектов под одним идентификатором — важен для понимания того, как сеть может обнаруживать замаскированные объекты. Такое обучение может быть особенно полезным для выявления опухолей.

В этом ретроспективном исследовании данных МРТ из общедоступных источников исследователи изучили, как можно обучать модели нейронных сетей на данных по раку мозга, вводя уникальный этап трансферного обучения по обнаружению замаскированных животных для улучшения навыков сети в выявлении опухолей.

Используя МРТ из общедоступных онлайн-ресурсов данных о раке и контрольных изображений здоровых мозгов (включая Kaggle, Архив изображений рака Национального института рака NIH и Медицинскую систему ВА в Бостоне), исследователи обучили сети отличать здоровые и пораженные раком МРТ, определять область, поражённую раком, и прототип внешнего вида рака (тип раковой опухоли).

Исследователи обнаружили, что сети почти идеально определяют нормальные изображения мозга с только одним-двумя ложными отрицательными результатами и различают раковые и здоровые мозги. Первая сеть показала среднюю точность 85,99% в обнаружении рака мозга, а вторая имела точность 83,85%.

Ключевой особенностью сети является множество способов, которыми можно объяснить её решения, что повышает доверие к моделям со стороны медицинских специалистов и пациентов. Глубокие модели часто недостаточно прозрачны, и по мере развития этой области способность объяснять решения сетей становится важной.

Благодаря этому исследованию сеть теперь может генерировать изображения, показывающие конкретные области в классификации опухоли как положительной или отрицательной. Это позволит рентгенологам сверять свои решения с результатами сети, добавляя уверенность, как если бы рядом был второй "роботизированный" рентгенолог, который указывает на область МРТ, указывающую на опухоль.

В будущем исследователи считают важным сосредоточиться на создании моделей глубоких сетей, решения которых могут быть описаны интуитивно понятными способами, чтобы ИИ играл прозрачную поддерживающую роль в клинической практике.

Хотя сети испытывали трудности с различением типов опухолей мозга во всех случаях, было очевидно, что они имели внутренние различия в представлении данных внутри сети. Точность и ясность улучшались по мере обучения сетей на распознавании маскировки. Трансферное обучение привело к увеличению точности работы сетей.

Хотя лучшая из предложенных моделей показала точность на 6% ниже, чем стандартное человеческое выявление, исследование успешно демонстрирует количественное улучшение, достигнутое благодаря этой парадигме обучения. Исследователи считают, что эта парадигма, в сочетании с комплексным применением методов объяснимости, способствует необходимой прозрачности в будущих клинических исследованиях ИИ.

"Прогресс в ИИ позволяет более точно обнаруживать и распознавать паттерны," — сказал ведущий автор статьи, Араш Язданбакш.

"Это, в свою очередь, улучшает диагностику на основе изображений и скрининг, но также требует больше объяснений о том, как ИИ выполняет задачу. Стремление к объяснимости ИИ улучшает взаимодействие между человеком и ИИ в целом. Это особенно важно между медицинскими специалистами и ИИ, разработанным для медицинских целей.

"Четкие и объяснимые модели лучше приспособлены для содействия диагностике, отслеживания прогрессирования заболевания и мониторинга лечения."