В недавнем исследовании ученые разработали алгоритм, позволяющий различать злокачественные и доброкачественные образования при сканировании тканей молочной железы.
При онкологии, ключом к успешному лечению является ее раннее выявление.
В настоящее время врачи имеют доступ к высококачественным изображениям, а опытные рентгенологи могут обнаружить явные признаки аномального роста опухоли.
После выявления факта возникновения опухоли следующим шагом для врачей будет выяснить, является ли опухоль доброкачественным или злокачественным новообразованием.
Самый надежный метод — это сделать биопсию, которая является инвазивной процедурой.
Но и здесь могут возникнуть ошибки. Некоторые люди получают диагноз рака, когда нет заболевания, в то время как другие не получают диагноз, когда рак присутствует.
Оба исхода вызывают стресс, а последняя ситуация может вызвать задержки в лечении.
Исследователи стремятся улучшить диагностический процесс, чтобы избежать этих проблем. Определение того, является ли поражение злокачественным или доброкачественным, более надежным и без необходимости биопсии способом, может изменить ситуацию.
Некоторые ученые для этого исследуют потенциал искусственного интеллекта (ИИ). В недавнем исследовании ученые подготовили алгоритм с обнадеживающими результатами.
ИИ и эластография
Ультразвуковая эластография является относительно новым диагностическим методом, который проверяет жесткость ткани молочной железы. Это достигается путем создания вибрации ткани, которая приводит к волнообразным колебаниям. При ультразвуковом сканировании созданная волна искажается, выделяя области груди, где ее свойства отличаются от окружающей ткани.
Исходя из этой информации, врач может определить, является поражение злокачественным или доброкачественным.
Хотя этот метод имеет большой потенциал, анализ результатов эластографии отнимает много времени, включает в себя несколько этапов и требует решения сложных проблем.
Недавно группа исследователей из инженерной школы Витерби в Университете Южной Калифорнии в Лос-Анджелесе задалась целью выяснить, может ли алгоритм сократить количество шагов, необходимых для извлечения информации из этих изображений. Они опубликовали свои результаты в журнале «Компьютерные методы в прикладной механике и технике».
Исследователи хотели посмотреть, смогут ли они разработать алгоритм, позволяющий различать злокачественные и доброкачественные образования при сканировании молочных желез. Интересно, что они пытались достичь этого, используя при обучении алгоритма вымышленные данные, а не подлинные снимки.
Синтетические данные
На вопрос, почему команда использовала вымышленные данные, ведущий автор профессор Ассад Оберай говорит, что все сводится к доступности реальных данных. Он объясняет, что «в случае медицинской визуализации вам повезло, если у вас есть 1000 изображений. В подобных ситуациях, когда данных недостаточно, такие методы становятся важными».
Исследователи обучили свой алгоритм машинного обучения, который они называют сверхточной нейронной сетью, используя более 12 000 синтетических изображений.
К концу процесса алгоритм был на 100% точен на вымышленных изображениях; затем они перешли к сканированию в реальной жизни. У них было только 10 сканирований: половина показала злокачественные образования, а другая половина — доброкачественные.
«У нас был показатель точности около 80%. Сейчас мы продолжаем совершенствовать алгоритм, используя в качестве входных данных больше реальных изображений».
Профессор Ассад Оберай
Хотя 80% это хорошо, хотелось бы большей точности — однако, это только начало процесса. Авторы считают, что, если бы они обучили алгоритм на реальных данных, он мог бы показать более высокую точность. Исследователи также признают, что их тест был слишком мал, чтобы предсказать будущие возможности системы.
Рост интереса к искусственному интеллекту
В последние годы растет интерес к использованию ИИ в диагностике. Как пишет один автор:
«ИИ успешно применяется для анализа изображений в рентгенологии, патологии и дерматологии, с превышением скорости диагностики и параллелизмом в точности с медицинскими экспертами — людьми».
Тем не менее, профессор Оберай не верит, что ИИ сможет заменить обученного человека-оператора. Он объясняет, что «общий консенсус заключается в том, что эти типы алгоритмов играют важную роль, в том числе для специалистов по обработке изображений, на которых это больше всего повлияет. Однако эти алгоритмы будут наиболее полезны, когда они не будут «черными ящиками». Что ИИ увидел, что привело его к окончательному выводу? Алгоритм должен быть объясним, чтобы он работал, как задумано».
Исследователи надеются, что смогут расширить свой новый метод для диагностики других видов рака. Везде, где растет опухоль , она меняет физическое поведение ткани. Должна быть возможность составить график этих различий и создать алгоритм их обнаружения.
Однако, поскольку каждый тип рака взаимодействует с окружающей средой по-разному, алгоритму необходимо будет преодолеть ряд проблем для каждого типа онкологии. Профессор Оберай уже работает над компьютерной томографией рака почки, чтобы найти способы, которыми ИИ может помочь в диагностике.
Хотя это первые случаи использования ИИ в диагностике рака, есть большие надежды на его будущее.