Kunne kunstig intelligens være fremtiden for kræftdiagnose?
I en nylig undersøgelse uddannede forskere en algoritme til at skelne mellem ondartede og godartede læsioner i scanninger af brystvæv.
Med kræft er nøglen til vellykket behandling at fange det tidligt.
Som det ser ud, har læger adgang til højkvalitetsbilleddannelse, og dygtige radiologer kan få øje på de tydelige tegn på unormal vækst.
Når først det er identificeret, er det næste skridt for lægerne at fastslå, om væksten er godartet eller ondartet.
Den mest pålidelige metode er at tage en biopsi, som er en invasiv procedure.
Selv da kan der opstå fejl. Nogle mennesker får en kræftdiagnose, hvor der ikke er nogen sygdom, mens andre ikke får en diagnose, når kræft er til stede.
Begge resultater forårsager nød, og den sidstnævnte situation kan medføre forsinkelser i behandlingen.
Forskere er ivrige efter at forbedre den diagnostiske proces for at undgå disse problemer. At opdage, om en læsion er ondartet eller godartet mere pålideligt og uden behov for en biopsi, ville være en spilskifter.
Nogle forskere undersøger potentialet for kunstig intelligens (AI). I en nylig undersøgelse uddannede forskere en algoritme med opmuntrende resultater.
AI og elastografi
Ultralydelastografi er en relativt ny diagnostisk teknik, der tester stivheden af brystvæv. Det opnås ved at vibrere vævet, hvilket skaber en bølge. Denne bølge forårsager forvrængning i ultralydsscanningen og fremhæver områder i brystet, hvor egenskaber adskiller sig fra det omgivende væv.
Fra disse oplysninger er det muligt for en læge at afgøre, om en læsion er kræft eller godartet.
Selvom denne metode har et stort potentiale, er det tidskrævende at analysere resultaterne af elastografi, involverer flere trin og kræver løsning af komplekse problemer.
For nylig spurgte en gruppe forskere fra Viterbi School of Engineering ved University of Southern California i Los Angeles, om en algoritme kunne reducere de nødvendige skridt til at trække information fra disse billeder. De offentliggjorde deres resultater i tidsskriftet Computermetoder i anvendt mekanik og teknik.
Forskerne ønskede at se, om de kunne træne en algoritme til at skelne mellem ondartede og godartede læsioner i brystscanninger. Interessant nok forsøgte de at opnå dette ved at træne algoritmen ved hjælp af syntetiske data snarere end ægte scanninger.
Syntetiske data
På spørgsmålet om, hvorfor teamet brugte syntetiske data, siger hovedforfatter Prof. Assad Oberai, at det kommer til tilgængeligheden af virkelige data. Han forklarer, at ”i tilfælde af medicinsk billeddannelse er du heldig, hvis du har 1.000 billeder. I situationer som denne, hvor data er knappe, bliver denne slags teknikker vigtige. ”
Forskerne uddannede deres maskinlæringsalgoritme, som de henviser til som et dybt nedbrydningsneuralt netværk ved hjælp af mere end 12.000 syntetiske billeder.
Ved afslutningen af processen var algoritmen 100% nøjagtig på syntetiske billeder; Dernæst gik de videre til det virkelige liv. De havde adgang til kun 10 scanninger: hvoraf halvdelen viste ondartede læsioner og den anden halvdel afbildede godartede læsioner.
”Vi havde cirka 80% nøjagtighed. Dernæst fortsætter vi med at forfine algoritmen ved at bruge flere virkelige billeder som input. ”
Prof. Assad Oberai
Selvom 80% er god, er det ikke godt nok - dette er dog kun starten på processen. Forfatterne mener, at hvis de havde trænet algoritmen på ægte data, kunne det have vist forbedret nøjagtighed. Forskerne anerkender også, at deres test var for lille til at forudsige systemets fremtidige kapaciteter.
Væksten af AI
I de senere år har der været en voksende interesse for brugen af AI i diagnostik. Som en forfatter skriver:
"AI anvendes med succes til billedanalyse inden for radiologi, patologi og dermatologi, med diagnostisk hastighed, der overstiger, og nøjagtighed svarer til, medicinske eksperter."
Imidlertid mener Prof. Oberai ikke, at AI nogensinde kan erstatte en uddannet menneskelig operatør. Han forklarer, at ”[den] generelle konsensus er, at disse typer algoritmer har en væsentlig rolle at spille, herunder fra billedbehandlingspersoner, som det vil påvirke mest. Disse algoritmer vil dog være mest nyttige, når de ikke fungerer som sorte bokse. Hvad så den, der førte den til den endelige konklusion? Algoritmen skal kunne forklares, for at den fungerer efter hensigten. ”
Forskerne håber, at de kan udvide deres nye metode til at diagnosticere andre typer kræft. Uanset hvor en tumor vokser, ændrer den, hvordan et væv opfører sig fysisk. Det skulle være muligt at kortlægge disse forskelle og træne en algoritme til at få øje på dem.
Men fordi hver type kræft interagerer med omgivelserne så forskelligt, er en algoritme nødt til at overvinde en række problemer for hver type. Prof. Oberai arbejder allerede på CT-scanninger af nyrekræft for at finde måder, som AI kan hjælpe med at diagnosticere der.
Selvom det er tidlige dage til brug af AI i kræftdiagnose, er der store forhåbninger for fremtiden.
