Искусственный интеллект можно использовать для быстрой и точной диагностики рака молочной железы

Москва, 12:32, 14 Июл 2019, редакция FTimes.ru, автор Сергей Кузнецов.

Рак молочной железы является основной причиной смерти от рака среди женщин. Его также трудно диагностировать. Почти каждый десятый случай ошибочно диагностируется как незлокачественный, что означает, что пациент может потерять критическое время лечения. С другой стороны, чем больше маммограмм у женщины, тем более вероятно, что она увидит ложноположительный результат. После 10 лет ежегодной маммографии примерно двум из трех пациентов, у которых нет рака, скажут, что он есть и подвергнут инвазивному вмешательству, скорее всего, биопсии.

Ультразвуковая эластография молочной железы является новым методом визуализации, который предоставляет информацию о потенциальном поражении молочной железы путем оценки его жесткости неинвазивным способом. Используя более точную информацию о характеристиках раковых и незлокачественных поражений молочной железы, эта методология продемонстрировала большую точность по сравнению с традиционными способами визуализации.

В основе этой процедуры, однако, лежит сложная вычислительная проблема, которая может быть трудоемкой и громоздкой для решения. Но что, если вместо этого полагаться на руководство алгоритма?

Ассад Оберай, профессор Университета им. Витерби в Университете Южной Калифорнии специально рассмотрел следующее: Можете ли вы научить машину интерпретировать реальные изображения с использованием синтетических данных и упростить этапы диагностики? Ответ, говорит Оберай, скорее всего, да.

В случае ультразвуковой эластографии молочной железы, после получения изображения пораженного участка, изображение анализируется для определения смещений внутри ткани. Используя эти данные и физические законы механики, определяется пространственное распределение механических свойств, таких как его жесткость. После этого необходимо количественно определить соответствующие признаки распределения, что в конечном итоге приведет к классификации опухоли как злокачественной или доброкачественной. Проблема заключается в том, что последние два этапа сложны в вычислительном отношении и по своей сути сложны.

Раковая ткань молочной железы имеет два ключевых свойства: неоднородность, что означает, что некоторые области являются мягкими, а некоторые — твердыми, и нелинейную эластичность, что означает, что волокна обеспечивают большую сопротивляемость при натяжении, вместо первоначальной отдачи, связанной с доброкачественными опухолями. Зная это, Оберай создал физические модели, которые показали различные уровни этих ключевых свойств. Затем он использовал тысячи входных данных, полученных из этих моделей, чтобы создать алгоритм машинного обучения.

Синтетические и реальные данные

Но почему вы используете синтетические данные для обучения алгоритму? Разве реальные данные не будут лучше?

«Если бы у вас было достаточно данных, вы бы этого не сделали», — сказал Оберай. «Но в случае медицинской визуализации вам повезло, если у вас есть 1000 изображений. В подобных ситуациях, когда данных недостаточно, такие методы становятся важными».

Оберай и его команда использовали около 12 000 синтетических изображений для алгоритма машинного обучения. Этот процесс во многом похож на то, как работает программное обеспечение для фотоидентификации, с помощью повторяющихся входных данных узнающее, как распознавать конкретного человека на изображении, или как наш мозг учится классифицировать кошку и собаку. С помощью достаточного количества примеров алгоритм может выявить различные признаки, присущие доброкачественной опухоли, по сравнению со злокачественной опухолью и сделать правильное определение.

Исследователи достигли почти 100-процентной точности классификации на других синтетических изображениях. После того, как алгоритм был обучен, они проверили его на реальных изображениях, чтобы определить, насколько точным он может быть при постановке диагноза, сравнив эти результаты с подтвержденными биопсией диагнозами, связанными с этими изображениями.

«У нас был показатель точности около 80%. Теперь мы продолжаем совершенствовать алгоритм, используя в качестве входных данных больше реальных изображений», — сказал Оберай.

Изменение способа постановки диагноза

Есть два основных момента, которые делают машинное обучение важным инструментом в обнаружении и диагностике рака. Во-первых, алгоритмы машинного обучения могут обнаруживать шаблоны, которые могут быть непрозрачными для человека. Путем манипулирования многими такими паттернами алгоритм может поставить точный диагноз. Во-вторых, машинное обучение дает возможность уменьшить ошибку оператора.

Итак, заменит ли это роль рентгенолога в определении диагноза? Точно нет. Оберай не предусматривает алгоритм, который служит единственным аргументом.