Radiologer vil kunne bruge AI til at opdage hjernesvulster i den nærmeste fremtid

En artikel med titlen "Deep learning and transfer learning for brain tumor detection and classification" (Dyb læring og transferlæring til detektion og klassificering af hjernetumorer), udgivet i Biology Methods and Protocols, siger, at forskere kan træne kunstig intelligens (AI)-modeller til at skelne mellem hjernetumorer og sundt væv. AI-modeller kan allerede opdage hjernetumorer i MR-billeder næsten lige så godt som en menneskelig radiolog.

Forskere har gjort stabile fremskridt med at anvende kunstig intelligens i medicin. Kunstig intelligens er særligt lovende inden for radiologi, hvor det at vente på, at teknikere behandler medicinske billeder, kan forsinke patientbehandlingen. Konvolutionelle neurale netværk er effektive værktøjer, der giver forskere mulighed for at træne kunstig intelligens-modeller på store sæt af billeder til genkendelse og klassificering.

På denne måde kan netværk "lære" at skelne mellem billeder. De har også evnen til at "overføre læring". Forskere kan genbruge en model, der er trænet til én opgave, til et nyt, men relateret projekt.

Selvom det at opdage camouflerede dyr og klassificere hjernetumorer involverer meget forskellige typer billeder, foreslog forskerne, at der er en parallel mellem et dyr, der gemmer sig takket være naturlig camouflage, og en gruppe kræftceller, der blander sig med det omgivende sunde væv.

Den lærte generaliseringsproces – gruppering af forskellige objekter under en enkelt identifikator – er vigtig for at forstå, hvordan netværket kan detektere camouflerede objekter. Sådan læring kan være særligt nyttig til at detektere tumorer.

I denne retrospektive undersøgelse af offentligt tilgængelige MR-data undersøgte forskerne, hvordan neurale netværksmodeller kunne trænes på data om hjernekræft. De introducerede et unikt overførselslæringstrin til at detektere kappeklædte dyr for at forbedre netværkets evner til at detektere tumorer.

Ved hjælp af MR-scanninger fra offentligt tilgængelige online kræftdatakilder og kontrolbilleder af raske hjerner (herunder Kaggle, NIH Cancer Image Archive og VA Health System i Boston) trænede forskerne netværk i at skelne mellem raske og kræftfremkaldende MR-scanninger, identificere det område, der er berørt af kræft, og kræftens prototypiske udseende (kræfttumortype).

Forskerne fandt ud af, at netværkene var næsten perfekte til at identificere normale hjernebilleder med kun en eller to falske negative resultater og til at skelne mellem kræftfremkaldende og raske hjerner. Det første netværk viste en gennemsnitlig nøjagtighed på 85,99% i detektering af hjernekræft, mens det andet havde en nøjagtighed på 83,85%.

Et centralt træk ved netværket er de mange måder, hvorpå dets beslutninger kan forklares, hvilket øger tilliden til modellerne fra sundhedspersonale og patienter. Dybe modeller er ofte ikke transparente nok, og efterhånden som feltet modnes, bliver evnen til at forklare netværkenes beslutninger vigtig.

Takket være denne forskning kan netværket nu generere billeder, der viser specifikke områder i klassificeringen af en tumor som positiv eller negativ. Dette vil give radiologer mulighed for at kontrollere deres beslutninger mod netværkets resultater, hvilket øger sikkerheden, som om der var en anden "robot"-radiolog i nærheden, der pegede på det område af MR-scanningen, der indikerer en tumor.

Forskerne mener, at det i fremtiden vil være vigtigt at fokusere på at skabe dybe netværksmodeller, hvis beslutninger kan beskrives på intuitive måder, så AI kan spille en transparent, understøttende rolle i klinisk praksis.

Selvom netværkene havde svært ved at skelne mellem hjernetumortyper i alle tilfælde, var det tydeligt, at der var iboende forskelle i, hvordan dataene blev repræsenteret i netværket. Nøjagtigheden og klarheden blev forbedret, efterhånden som netværkene blev trænet til at genkende camouflage. Transferlæring førte til øget nøjagtighed.

Selvom den bedste testede model var 6 % mindre nøjagtig end standard menneskelig detektion, demonstrerer undersøgelsen med succes den kvantitative forbedring, der opnås gennem dette læringsparadigme. Forskerne mener, at dette paradigme, kombineret med den omfattende anvendelse af forklarbarhedsmetoder, vil bidrage til at skabe den nødvendige gennemsigtighed i fremtidig klinisk AI-forskning.

"Fremskridt inden for kunstig intelligens gør det muligt at opdage og genkende mønstre mere præcist," sagde hovedforfatter af artiklen, Arash Yazdanbakhsh.

"Dette forbedrer til gengæld billedbaseret diagnostik og screening, men kræver også mere forklaring på, hvordan AI'en udfører en opgave. Bestræbelserne på at skabe mere forklaringsbarhed for AI forbedrer interaktionen mellem mennesker og AI generelt. Dette er især vigtigt mellem sundhedspersonale og AI designet til medicinske formål."

"Klare og forklarlige modeller er bedre egnede til at understøtte diagnose, spore sygdomsprogression og overvåge behandling."