עיתון חדש נכנס שיטות ופרוטוקולים של ביולוגיהשפורסם על ידי הוצאת אוניברסיטת אוקספורד, מראה שמדענים יכולים לאמן מודלים של בינה מלאכותית כדי להבחין בין גידולי מוח לרקמה בריאה. מודלים של AI כבר יכולים למצוא גידולי מוח בתמונות MRI כמעט כמו רדיולוג אנושי.
חוקרים עשו התקדמות מתמשכת בתחום הבינה המלאכותית (AI) לשימוש ברפואה. AI מבטיח במיוחד ברדיולוגיה, שם המתנה לטכנאים שיעבדו תמונות רפואיות עלולה לעכב את הטיפול בחולה. רשתות עצביות מתהפכות הן כלים רבי עוצמה המאפשרים לחוקרים לאמן מודלים של AI על מערכי נתונים גדולים של תמונות כדי לזהות ולסווג תמונות. בצורה זו הרשתות יכולות "ללמוד" להבחין בין תמונות. לרשתות יש גם יכולת "למידת העברה". מדענים יכולים לעשות שימוש חוזר במודל שהוכשר במשימה אחת לפרויקט חדש הקשור.
למרות שגילוי בעלי חיים מוסווים וסיווג גידולי מוח כרוך בסוגים שונים מאוד של תמונות, החוקרים המעורבים במחקר זה האמינו שיש הקבלה בין בעל חיים המסתתר דרך הסוואה טבעית לבין קבוצת תאים סרטניים המתמזגים עם הרקמה הבריאה שמסביב. תהליך ההכללה הנלמד – קיבוץ של דברים שונים תחת אותה זהות אובייקט – חיוני כדי להבין כיצד רשת יכולה לזהות אובייקטים מוסווים. אימון כזה יכול להיות שימושי במיוחד לאיתור גידולים.
במחקר רטרוספקטיבי זה של נתוני MRI ברשות הציבור, החוקרים חקרו כיצד ניתן לאמן מודלים של רשתות עצביות על נתוני הדמיית סרטן המוח תוך הצגת שלב למידה ייחודי לזיהוי בעלי חיים לזיהוי גידולים לשיפור כישורי זיהוי הגידולים של הרשתות.
באמצעות MRI ממאגרים מקוונים ציבוריים של מוחות בקרה סרטניים ובריאים (ממקורות כולל Kaggle, Cancer Imaging Archive of NIH National Cancer Institute ו-VA Boston Healthcare System), החוקרים הכשירו את הרשתות להבחין בין MRI בריא לעומת סרטני, האזור המושפע על ידי סרטן, ואב-טיפוס הופעת הסרטן (איזה סוג סרטן זה נראה). החוקרים גילו שהרשתות היו כמעט מושלמות בזיהוי תמונות מוח תקינות, עם רק 1-2 שליליים שגויים, והבחנה בין מוח סרטני למוח בריא. לרשת הראשונה היה דיוק ממוצע של 85.99% בזיהוי סרטן המוח, לרשת השנייה היה דיוק של 83.85%.
מאפיין מרכזי של הרשת הוא שלל הדרכים שבהן ניתן להסביר את החלטותיה, מה שמאפשר אמון מוגבר במודלים של אנשי מקצוע רפואיים ומטופלים כאחד. מודלים עמוקים לרוב חסרים שקיפות, וככל שהתחום גדל, היכולת להסביר כיצד רשתות מבצעות את ההחלטות שלהן הופכת חשובה. בעקבות מחקר זה, הרשת יכולה ליצור תמונות המציגות אזורים ספציפיים בסיווג הגידול החיובי או השלילי שלה. זה יאפשר לרדיולוגים להצליב את ההחלטות שלהם עם אלה של הרשת ולהוסיף ביטחון, כמעט כמו רדיולוג רובוטי שני שיכול להראות את האזור המעיד של בדיקת MRI המעידה על גידול. בעתיד, החוקרים כאן מאמינים שיהיה חשוב להתמקד ביצירת מודלים של רשת עמוקה שניתן לתאר את החלטותיהם בדרכים אינטואיטיביות, כך שבינה מלאכותית יכולה לתפוס תפקיד תומך שקוף בסביבות קליניות.
בעוד הרשתות התקשו יותר להבחין ביניהן סוגים של סרטן המוח בכל המקרים, עדיין היה ברור שיש להם ייצוג פנימי מובהק ברשת. הדיוק והבהירות השתפרו ככל שהחוקרים הכשירו את הרשתות בזיהוי הסוואה. למידת העברה הביאה לעלייה ברמת הדיוק של הרשתות.
בעוד שהמודל המוצע עם הביצועים הטובים ביותר היה פחות מדויק בכ-6% מזיהוי אנושי סטנדרטי, המחקר מדגים בהצלחה את השיפור הכמותי שהביאה פרדיגמת האימון הזו. החוקרים כאן מאמינים שפרדיגמה זו, בשילוב עם יישום מקיף של שיטות הסבר, מקדמת שקיפות הכרחית במחקר AI קליני עתידי.
התקדמות ב-AI מאפשרת זיהוי וזיהוי מדויקים יותר של דפוסים. כתוצאה מכך, זה מאפשר סיוע טוב יותר לאבחון והקרנה מבוססי הדמיה, אך גם מחייב הסבר נוסף כיצד AI מבצע את המשימה. הכוונה להסבר בינה מלאכותית משפרת את התקשורת בין בני אדם ובינה מלאכותית באופן כללי. זה חשוב במיוחד בין אנשי מקצוע רפואיים ובינה מלאכותית המיועדת למטרות רפואיות. מודלים ברורים וניתנים להסבר ממוקמים טוב יותר לסייע באבחון, לעקוב אחר התקדמות המחלה ולפקח על הטיפול."
ארש יזדנבחש, המחבר הראשי של העיתון
