Radiologer vil kunne bruke kunstig intelligens til å oppdage hjernesvulster i nær fremtid

En artikkel med tittelen «Deep learning and transfer learning for brain tumor detection and classification» publisert i Biology Methods and Protocols sier at forskere kan trene kunstig intelligens (KI)-modeller til å skille mellom hjernesvulster og friskt vev. KI-modeller kan allerede oppdage hjernesvulster i MR-bilder nesten like bra som en menneskelig radiolog.

Forskere har gjort jevne fremskritt i å anvende kunstig intelligens i medisin. Kunstig intelligens er spesielt lovende innen radiologi, der det å vente på at teknikere skal behandle medisinske bilder kan forsinke pasientbehandlingen. Konvolusjonelle nevrale nettverk er kraftige verktøy som lar forskere trene kunstig intelligens-modeller på store sett med bilder for gjenkjenning og klassifisering.

På denne måten kan nettverk «lære» å skille mellom bilder. De har også evnen til å «overføre læring». Forskere kan gjenbruke en modell som er trent for én oppgave til et nytt, men relatert prosjekt.

Selv om det å oppdage kamuflerte dyr og klassifisere hjernesvulster innebærer svært forskjellige typer bilder, antydet forskerne at det er en parallell mellom et dyr som gjemmer seg takket være naturlig kamuflasje og en gruppe kreftceller som blander seg med omkringliggende friskt vev.

Den lærte generaliseringsprosessen – å gruppere forskjellige objekter under én enkelt identifikator – er viktig for å forstå hvordan nettverket kan oppdage kamuflerte objekter. Slik læring kan være spesielt nyttig for å oppdage svulster.

I denne retrospektive studien av offentlig tilgjengelige MR-data undersøkte forskerne hvordan nevrale nettverksmodeller kunne trenes på data om hjernekreft, og introduserte et unikt overføringslæringstrinn for å oppdage kappekledde dyr for å forbedre nettverkets ferdigheter i å oppdage svulster.

Ved å bruke MR-bilder fra offentlig tilgjengelige nettbaserte kreftdatakilder og kontrollbilder av friske hjerner (inkludert Kaggle, NIH Cancer Image Archive og VA Health System i Boston), trente forskerne nettverk til å skille mellom friske og kreftfremkallende MR-bilder, identifisere området som er berørt av kreft, og det prototypiske utseendet til kreft (kreftsvulsttype).

Forskerne fant ut at nettverkene var nesten perfekte til å identifisere normale hjernebilder med bare ett eller to falske negative resultater og til å skille mellom krefthjerner og friske hjerner. Det første nettverket viste en gjennomsnittlig nøyaktighet på 85,99 % i å oppdage hjernekreft, mens det andre hadde en nøyaktighet på 83,85 %.

Et sentralt trekk ved nettverket er de mange måtene beslutningene kan forklares på, noe som øker tilliten til modellene fra helsepersonell og pasienter. Dype modeller er ofte ikke transparente nok, og etter hvert som feltet modnes, blir evnen til å forklare nettverkenes beslutninger viktig.

Takket være denne forskningen kan nettverket nå generere bilder som viser spesifikke områder i klassifiseringen av en svulst som positiv eller negativ. Dette vil gjøre det mulig for radiologer å sjekke avgjørelsene sine mot nettverkets resultater, noe som gir trygghet, som om det var en annen «robot»-radiolog i nærheten som pekte på området på MR-undersøkelsen som indikerer en svulst.

I fremtiden mener forskerne det vil være viktig å fokusere på å lage dype nettverksmodeller der beslutninger kan beskrives på intuitive måter, slik at AI kan spille en transparent støttende rolle i klinisk praksis.

Selv om nettverkene hadde problemer med å skille mellom hjernesvulsttyper i alle tilfeller, var det tydelig at de hadde iboende forskjeller i hvordan dataene ble representert i nettverket. Nøyaktigheten og klarheten ble bedre etter hvert som nettverkene ble trent til å gjenkjenne kamuflasje. Overføringslæring førte til økt nøyaktighet.

Selv om den beste modellen som ble testet var 6 % mindre nøyaktig enn standard menneskelig deteksjon, demonstrerer studien vellykket den kvantitative forbedringen som oppnås gjennom dette læringsparadigmet. Forskerne mener at dette paradigmet, kombinert med den omfattende anvendelsen av forklaringsmetoder, vil bidra til å bringe nødvendig åpenhet til fremtidig klinisk AI-forskning.

«Fremskritt innen kunstig intelligens gjør det mulig å oppdage og gjenkjenne mønstre mer nøyaktig», sa hovedforfatter av artikkelen, Arash Yazdanbakhsh.

«Dette forbedrer igjen bildebasert diagnostikk og screening, men krever også mer forklaring på hvordan AI utfører en oppgave. Økningen i AI-forklaringsevne forbedrer interaksjoner mellom mennesker og AI generelt. Dette er spesielt viktig mellom helsepersonell og AI designet for medisinske formål.»

«Tydelige og forklarbare modeller er bedre egnet til å hjelpe med diagnose, spore sykdomsprogresjon og overvåke behandling.»