לבינה מלאכותית יש פוטנציאל לשפר את הניתוח של נתוני תמונה רפואית. לדוגמה, אלגוריתמים המבוססים על למידה עמוקה יכולים לקבוע את מיקומם וגודלם של גידולים. זו התוצאה של AutoPET, תחרות בינלאומית בניתוח תמונה רפואית, שבה דורגו חוקרי המכון הטכנולוגי של קרלסרוהה (KIT) במקום החמישי. שבעת צוותי autoPET הטובים ביותר מדווחים ביומן Nature Machine Intelligence על האופן שבו אלגוריתמים יכולים לזהות נגעי גידול בטומוגרפיה של פליטת פוזיטרונים (PET) וטומוגרפיה ממוחשבת (CT). (DOI: 10.1038/s42256-024-00912-9)
טכניקות הדמיה ממלאות תפקיד מרכזי באבחון סרטן. קביעה מדויקת של מיקום, גודל וסוג הגידולים חיונית לבחירת הטיפול הנכון. טכניקות ההדמיה החשובות ביותר כוללות טומוגרפיה של פליטת פוזיטרונים (PET) וטומוגרפיה ממוחשבת (CT). PET משתמש ברדיונוקלידים כדי לדמיין תהליכים מטבוליים בגוף. קצב חילוף החומרים של גידולים ממאירים גבוה במידה ניכרת מזה של רקמות שפירות. למטרה זו משתמשים בגלוקוז מסומן רדיואקטיבית, בדרך כלל פלואור-18-דאוקסיגלוקוז (FDG). ב-CT, הגוף נסרק שכבה אחר שכבה בצינור רנטגן כדי להמחיש את האנטומיה ולמקם גידולים.
אוטומציה יכולה לחסוך זמן ולשפר את ההערכה
לחולי סרטן יש לפעמים מאות נגעים, כלומר שינויים פתולוגיים הנגרמים כתוצאה מגדילת גידולים. כדי לקבל תמונה אחידה, יש צורך ללכוד את כל הנגעים. הרופאים קובעים את גודל נגעי הגידול על ידי סימון ידני של תמונות פרוסות דו-ממדיות – משימה שלוקחת זמן רב. "הערכה אוטומטית באמצעות אלגוריתם תחסוך כמות עצומה של זמן ותשפר את התוצאות", מסביר פרופסור ריינר שטיפלהגן, ראש המעבדה לראייה ממוחשבת לאינטראקציה בין אדם למחשב (cv:hci) ב-KIT.
ריינר שטיפלהגן וזדרבקו מרינוב, דוקטורנט ב-cv:hci, השתתפו בתחרות autoPET הבינלאומית בשנת 2022 והגיעו למקום החמישי מתוך 27 צוותים הכוללים 359 משתתפים מכל רחבי העולם. החוקרים מקרלסרוהה הקימו צוות עם פרופסור Jens Kleesiek ולארס הייליגר מ-IKIM – המכון לבינה מלאכותית ברפואה שבסיסה באסן. מאורגן על ידי בית החולים האוניברסיטאי טובינגן ובית החולים LMU מינכן, autoPET שילב הדמיה ולמידת מכונה. המשימה הייתה לפלח אוטומטית נגעי גידול פעילים מבחינה מטבולית שהוצגו ב-PET/CT של כל הגוף. עבור אימון האלגוריתם, לצוותים המשתתפים הייתה גישה למערך PET/CT גדול עם הערות. כל האלגוריתמים שהוגשו לשלב הסופי של התחרות מבוססים על שיטות למידה עמוקה. זוהי גרסה של למידת מכונה המשתמשת ברשתות עצביות מלאכותיות רב-שכבתיות כדי לזהות דפוסים מורכבים ומתאמים בכמויות גדולות של נתונים. שבע הצוותים הטובים ביותר מתחרות autoPET דיווחו כעת על האפשרויות של ניתוח אוטומטי של נתוני תמונה רפואית ב- Nature Machine Intelligence כְּתַב הָעֵת.
אנסמבל אלגוריתמים מצטיין באיתור נגעי גידול
כפי שמסבירים החוקרים בפרסומם, מכלול של האלגוריתמים המדורגים ביותר הוכיח את עצמו כעדיף על אלגוריתמים בודדים. אנסמבל האלגוריתמים מסוגל לזהות נגעי גידול ביעילות ובדייקנות. "בעוד שביצועי האלגוריתמים בהערכת נתוני תמונה תלויים בחלקם בכמות ובאיכות הנתונים, עיצוב האלגוריתמים הוא גורם מכריע נוסף, למשל לגבי ההחלטות שהתקבלו בעיבוד שלאחר הפילוח החזוי." מסביר שטיפלהאגן. יש צורך במחקר נוסף כדי לשפר את האלגוריתמים ולהפוך אותם עמידים יותר בפני השפעות חיצוניות, כך שניתן יהיה להשתמש בהם בפרקטיקה הקלינית היומיומית. המטרה היא להפוך את הניתוח באופן מלא של נתוני תמונת PET ו-CT רפואיים בעתיד הקרוב.
