İşini gösteren ilk AI meme kanseri dedektifi

Mamografi taramalarında kanser öncesi lezyonları tespit etmeye yönelik çoğu yapay zeka, karar verme süreçlerinden hiçbirini ortaya çıkarmaz (üstte). Bunu yaparlarsa, genellikle doktorlara yalnızca nereye baktıklarını söyleyen bir belirginlik haritasıdır (ortada). Yeni bir AI platformu (altta), doktorlara yalnızca nereye baktığını söylemekle kalmıyor, aynı zamanda sonuçları çıkarmak için hangi geçmiş deneyimlerin kullanıldığını da söylüyor. Kredi: Alina Barnett, Duke Üniversitesi

Duke Üniversitesi’ndeki bilgisayar mühendisleri ve radyologlar, bir hastanın invaziv biyopsi alması gerekip gerekmediğini belirlemek için mamografi taramalarında potansiyel olarak kanserli lezyonları analiz etmek için bir yapay zeka platformu geliştirdi. Ancak birçok öncülünün aksine, bu algoritma yorumlanabilir, yani doktorlara sonuçlara tam olarak nasıl ulaştığını gösterir.

Araştırmacılar, yapay zekayı, tıpkı gerçek bir radyolog gibi, kendi prosedürlerini özgürce geliştirmesine izin vermek yerine, lezyonları tespit etmek ve değerlendirmek için eğitti ve ona “kara kutu” muadillerine göre çeşitli avantajlar sağladı. Öğrencilere mamografi görüntülerini nasıl okuyacaklarını öğretmek için faydalı bir eğitim platformu olabilir. Ayrıca, dünya çapında seyrek nüfuslu bölgelerde bulunan ve düzenli olarak mamografi taramaları okumayan doktorların daha iyi sağlık kararları almalarına yardımcı olabilir.

Sonuçlar çevrimiçi olarak 15 Aralık’ta dergide yayınlandı. Doğa Makine Zekası.

Duke radyoloji profesörü Joseph Lo, “Bir bilgisayar önemli tıbbi kararlar almaya yardımcı olacaksa, doktorların yapay zekanın sonuçlarını mantıklı bir şeye dayandırdığına güvenmeleri gerekir” dedi. “Yalnızca çalışmakla kalmayıp, kendilerini açıklayan ve sonuçlarını neye dayandırdıklarına dair örnekler gösteren algoritmalara ihtiyacımız var. Bu şekilde, bir doktor sonuca katılsa da katılmasa da yapay zeka daha iyi kararlar almaya yardımcı oluyor.”

Tıbbi görüntüleri okuyan mühendislik yapay zekası devasa bir endüstridir. Halihazırda binlerce bağımsız algoritma var ve FDA 100’den fazlasını klinik kullanım için onayladı. Bununla birlikte, MRI, CT veya mamogram taramalarını okurken, bunların çok azı 1000’den fazla görüntü içeren doğrulama veri kümelerini kullanır veya demografik bilgiler içerir. Bu bilgi eksikliği, birkaç önemli örneğin son zamanlardaki başarısızlıklarıyla birleştiğinde, birçok doktorun yüksek riskli tıbbi kararlarda AI kullanımını sorgulamasına neden oldu.

Bir durumda, bir AI modeli, araştırmacılar onu farklı ekipman kullanarak farklı tesislerden alınan görüntülerle eğittiğinde bile başarısız oldu. Yalnızca ilgilenilen lezyonlara odaklanmak yerine, AI, kanser koğuşundan gelen görüntüleri tanımak ve bu lezyonlara daha yüksek kanserli olma olasılığı atamak için ekipmanın getirdiği ince farkları kullanmayı öğrendi. Tahmin edilebileceği gibi, yapay zeka farklı ekipman kullanan diğer hastanelere iyi transfer olmadı. Ancak kimse karar verirken algoritmanın neye baktığını bilmediğinden, gerçek dünyadaki uygulamalarda başarısızlığa mahkum olduğunu kimse bilmiyordu.

Bilgisayar bilimi alanında doktora yapan Alina Barnett, “Bizim fikrimiz, bunun yerine, potansiyel kanserli lezyonun bu belirli bölümünün daha önce gördüğüm diğerine çok benzediğini söyleyen bir sistem kurmaktı,” dedi. Duke’de aday ve çalışmanın ilk yazarı. “Bu açık ayrıntılar olmadan, tıp doktorları, sistemin neden bazen hata yaptığını anlamanın bir yolu yoksa, sisteme olan inancını ve zamanını kaybedecektir.”

Duke’te elektrik ve bilgisayar mühendisliği ve bilgisayar bilimi profesörü olan Cynthia Rudin, yeni AI platformunun sürecini bir gayrimenkul değerleme uzmanınınkiyle karşılaştırıyor. Alana hakim olan kara kutu modellerinde, bir değerleme uzmanı hiçbir açıklama yapmadan bir ev için fiyat verirdi. ‘Belirginlik haritası’ olarak bilinen şeyi içeren bir modelde, değerleme uzmanı, bir evin çatısının ve arka bahçesinin, fiyatlandırma kararında kilit faktörler olduğuna dikkat çekebilir, ancak bunun ötesinde herhangi bir ayrıntı sağlamayacaktır.

Rudin, “Bizim yöntemimiz, mahallenizdeki diğer evlere benzer benzersiz bir bakır çatıya ve arka bahçe havuzuna sahip olduğunuzu ve bu da fiyatların bu miktarda artmasına neden olduğunu söylüyor” dedi. “Tıbbi görüntüleme yapay zekasındaki şeffaflık böyle görünebilir ve tıp alanındakilerin herhangi bir radyoloji sorunu için talep etmesi gereken şey budur.”

Araştırmacılar, Duke Üniversitesi Sağlık Sistemindeki 484 hastadan alınan 1.136 görüntü ile yeni yapay zekayı eğitti.

Önce yapay zekaya söz konusu şüpheli lezyonları bulmayı ve tüm sağlıklı dokuları ve diğer alakasız verileri görmezden gelmeyi öğrettiler. Ardından, potansiyel tümörlerin sağlıklı çevreleyen dokuyla buluştuğu lezyonların kenarlarına odaklanmasını ve bilinen kanserli ve iyi huylu sonuçları olan görüntülerde bu kenarları kenarlarla karşılaştırmasını yapay zekaya öğretmek için görüntüleri dikkatlice etiketlemek için radyologları işe aldılar.

Tıbbi olarak kitle sınırları olarak bilinen yayılan çizgiler veya bulanık kenarlar, kanserli meme tümörlerinin en iyi göstergesidir ve radyologların ilk aradığı şeydir. Bunun nedeni, kanserli hücrelerin o kadar hızlı çoğalması ve genişlemesidir ki, gelişmekte olan bir tümörün kenarlarının tamamının mamogramlarda görülmesi kolay değildir.

Barnett, “Bu, bir yapay zekayı tıbbi görüntülere nasıl bakacağını eğitmenin benzersiz bir yolu” dedi. “Diğer AI’lar radyologları taklit etmeye çalışmıyorlar; soruyu cevaplamak için genellikle yardımcı olmayan veya bazı durumlarda kusurlu akıl yürütme süreçlerine bağlı olan kendi yöntemlerini buluyorlar.”

Eğitim tamamlandıktan sonra, araştırmalar yapay zekayı teste tabi tuttu. İnsan radyologlarından daha iyi performans göstermese de, diğer kara kutu bilgisayar modelleri kadar iyi performans gösterdi. Yeni AI yanlış olduğunda, onunla çalışan insanlar bunun yanlış olduğunu ve neden hata yaptığını anlayabilecek.

Ekip, ilerlemeye devam ederken, radyologların bakmayı öğrendiği ikinci bir özellik olan lezyonun şekli gibi kararlarını verirken dikkate alması gereken diğer fiziksel özellikleri eklemek için çalışıyor. Rudin ve Lo ayrıca yakın zamanda algoritmayı geliştirmeye devam etmek ve klinik performansa ve/veya güvene yardımcı olup olmadığını görmek için bir radyolog okuyucu çalışması yürütmek için bir Duke MEDx Yüksek Risk Yüksek Etki Ödülü aldı.

Duke Radiology’de araştırma görevlisi olan Fides Schwartz, “Araştırmacılar, tıbbi görüntülere yapay zekayı ilk kez uygulamaya başladıklarında, belki de bilgisayarın insanların göremediği bir şeyi görebileceği veya çözebileceği konusunda çok fazla heyecan vardı” dedi. “Bazı ender durumlarda durum böyle olabilir, ancak senaryoların çoğunda durum muhtemelen böyle değil. Bu nedenle, insanlar olarak bilgisayarın kararlarını temel almak için hangi bilgileri kullandığını anladığımızdan emin olmamız daha iyi.”


Deri lezyonlarının sınıflandırılması için yeni algoritma


Daha fazla bilgi:
Alina Jade Barnett ve diğerleri, Dijital mamografide kitle lezyonlarının sınıflandırılması için vaka tabanlı yorumlanabilir bir derin öğrenme modeli, Doğa Makine Zekası (2021). DOI: 10.1038/s42256-021-00423-x

Duke Üniversitesi tarafından sağlanan

Alıntı: Çalışmasını gösteren ilk AI meme kanseri dedektifi (2022, 14 Ocak), 14 Ocak 2022’de https://techxplore.com/news/2022-01-ai-breast-cancer-sleuth.html adresinden alındı.

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#İşini #gösteren #ilk #meme #kanseri #dedektifi