Исследователи показывают, как ИИ можно использовать для более быстрой и точной диагностики рака груди

Трехмерная культура клеток рака молочной железы человека с ДНК, окрашенной синим цветом, и белком на мембране клеточной поверхности, окрашенным в зеленый цвет. Изображение создано в 2014 году Томом Мистели, Ph.D., и Карен Миберн, доктор философии.D. в NIH IRP.

Рак груди – основная причина смерти женщин от рака. Также сложно диагностировать. Почти каждый десятый вид рака ошибочно диагностируется как незлокачественный, что означает, что пациент может потерять время, необходимое для лечения. С другой стороны, чем больше у женщины маммограмм, тем больше вероятность того, что она увидит ложноположительный результат. После 10 лет ежегодных маммограмм примерно двум из трех пациентов, не страдающих раком, скажут, что они сделали и будут подвергнуты инвазивному вмешательству, скорее всего, биопсии.

Ультразвуковая эластография молочных желез – это новый метод визуализации, который предоставляет информацию о потенциальном поражении груди путем неинвазивной оценки ее жесткости. Используя более точную информацию о характеристиках злокачественного и незлокачественного поражения груди, эта методология продемонстрировала большую точность по сравнению с традиционными режимами визуализации.

Однако в основе этой процедуры лежит сложная вычислительная задача, решение которой может потребовать много времени и усилий. Но что, если бы вместо этого мы полагались на руководство алгоритма?

Асад Обераи, профессор инженерной школы Университета Калифорнии в Витерби Хьюз, профессор факультета аэрокосмической и механической инженерии, задал именно этот вопрос в исследовательской статье «Обход решения обратных задач в механике с помощью глубокого обучения: применение к визуализации упругости», опубликованной в журнале Computer Методы прикладной механики и техники. Вместе с командой исследователей, включая USC Viterbi Ph.Студент D Дхрув Патель, Обераи, специально рассмотрел следующее: Можете ли вы обучить машину интерпретировать реальные изображения с использованием синтетических данных и упростить этапы диагностики?? Ответ, по словам Обераи, скорее всего, да.

В случае ультразвуковой эластографии груди после получения изображения пораженного участка изображение анализируется для определения смещения внутри ткани. Используя эти данные и физические законы механики, определяется пространственное распределение механических свойств, таких как его жесткость. После этого необходимо определить и количественно оценить соответствующие особенности распределения, что в конечном итоге приведет к классификации опухоли как злокачественной или доброкачественной. Проблема в том, что последние два шага сложны с точки зрения вычислений и по своей сути сложны.

В ходе исследования Обераи стремился определить, могут ли они полностью пропустить самые сложные этапы этого рабочего процесса.

Раковая ткань молочной железы имеет два ключевых свойства: неоднородность, что означает, что некоторые области мягкие, а некоторые твердые, и нелинейная эластичность, что означает, что волокна оказывают большое сопротивление при натяжении вместо первоначального сопротивления, связанного с доброкачественными опухолями. Зная это, Обераи создал основанные на физике модели, которые демонстрировали различные уровни этих ключевых свойств. Затем он использовал тысячи входных данных, полученных из этих моделей, чтобы обучить алгоритм машинного обучения.

Синтетические данные по сравнению с реальными данными

Но зачем вам использовать синтетические данные для обучения алгоритма?? Разве настоящие данные не были бы лучше?

«Если бы у вас было достаточно данных, вы бы этого не сделали», – сказал Обераи. “Но в случае с медицинской визуализацией вам повезло, если у вас есть 1000 изображений. В подобных ситуациях, когда данных не хватает, такие методы становятся важными.”

Обераи и его команда использовали около 12000 синтетических изображений для обучения своего алгоритма машинного обучения. Этот процесс во многом похож на то, как работает программное обеспечение для идентификации по фотографиям, обучение через повторяющиеся входные данные, как распознавать конкретного человека на изображении, или как наш мозг учится классифицировать кошку по сравнению с собакой. На основе достаточного количества примеров алгоритм может выявить различные особенности, присущие доброкачественной опухоли и злокачественной опухоли, и сделать правильное определение.

Обераи и его команда достигли почти 100-процентной точности классификации на других синтетических изображениях. После обучения алгоритма они протестировали его на реальных изображениях, чтобы определить, насколько точным он может быть при постановке диагноза, сравнивая эти результаты с подтвержденными биопсией диагнозами, связанными с этими изображениями.

“У нас была 80-процентная точность. Затем мы продолжаем совершенствовать алгоритм, используя больше реальных изображений в качестве входных данных », – сказал Обераи.

Изменение способа постановки диагноза

Есть два основных момента, которые делают машинное обучение важным инструментом в развитии возможностей обнаружения и диагностики рака. Во-первых, алгоритмы машинного обучения могут обнаруживать закономерности, которые могут быть непонятны человеку. Используя множество таких шаблонов, алгоритм может поставить точный диагноз. Во-вторых, машинное обучение дает шанс уменьшить межоператорские ошибки.

Итак, заменит ли это роль радиолога в установлении диагноза?? Точно нет. Обераи не предвидит алгоритм, который будет единственным арбитром в диагностике рака, но вместо этого представляет собой инструмент, который помогает радиологам делать более точные выводы. “По общему мнению, эти типы алгоритмов должны сыграть важную роль, в том числе со стороны специалистов по визуализации, на которых они окажут наибольшее влияние. Однако эти алгоритмы будут наиболее полезны, когда они не служат черными ящиками “, – сказал Обераи. “Что он увидел, что привело к окончательному выводу? Алгоритм должен быть объясним, чтобы он работал должным образом.”

Адаптация алгоритма для других видов рака

Поскольку рак вызывает различные типы изменений в ткани, на которую он воздействует, наличие рака в ткани может в конечном итоге привести к изменению ее физических свойств, например, изменению плотности или пористости. Эти изменения можно различить как сигнал на медицинских изображениях. Роль алгоритма машинного обучения состоит в том, чтобы выделить этот сигнал и использовать его, чтобы определить, является ли данная ткань, на которой проводится изображение, злокачественной.

Используя эти идеи, Обераи и его команда работают с Винаем Дуддалваром, профессором клинической радиологии в Медицинской школе им. Кека, Университет Южной Калифорнии, чтобы лучше диагностировать рак почек с помощью КТ-изображений с контрастным усилением. Используя принципы, выявленные при обучении алгоритма машинного обучения для диагностики рака груди, они стремятся обучить алгоритм другим функциям, которые могут заметно проявляться в случаях рака почек, например изменениям в тканях, которые отражают специфические для рака изменения в микрососудистом русле пациента. , сеть микрососудов, которые помогают распределять кровь в тканях.

6 комментариев к “Исследователи показывают, как ИИ можно использовать для более быстрой и точной диагностики рака груди”

  1. Странствовал в webе и угодил сюда. Какое отличное придумывание рода людского. При подмоге сети интернет общаешься, проходишь, разбираешь … Как раз и с вами имел честь познакомиться.

Оставьте комментарий