2019. 07. 17. - 10:00
Így azonosítja gyorsabban a mellrákot a mesterséges intelligencia
Lehetségessé válik a diagnózis lépéseinek egyszerűsítése a mesterséges intelligencia segítségével – a gépet ugyanis meg lehet tanítani, hogy szintetikus adatok használatával fejtse meg a valós képeket.
Napjainkban a mesterséges intelligencia már számos területen igyekszik könnyíteni az emberek életét, az egészségügy azonban ezek közül is kiemelkedő.
Egy új tanulmány szerint, melyet a Computer Methods in Applied Mechanics and Engineering szaklap közölt, lehetségessé válik a gép megtanítása arra, hogy szintetikus adatok használatával fejtse meg a valós felvételeket, s leegyszerűsítse a diagnózishoz vezető utat.
Az elasztográfia nevű emlő ultrahang olyan feltörekvő képalkotó technika, mely információkkal szolgál a lehetséges mellelváltozásokat illetően. A kutatók azonosították, hogyan tud a mesterséges intelligencia kritikus szerepet játszani ezen technika hatékonyságában és pontosságában.
A mesterséges intelligencia nagymértékben hozzájárul a rák diagnózisának felgyorsításához
A tanulmány, melyet Dhruv Patel és Assad Oberai vezetett a Dél-Kaliforniai Egyetemről, kimutatta, hogyan lehetséges a gépet megtanítani a valós képek értelmezésére szintetikus adatok segítségével, s ezzel egyszerűbbé tenni a mellrák diagnózisának lépéseit.
Az elasztográfia esetén, ha egyszer az érintett területről elkészült a kép, elemezni kezdik, hogy meghatározzák a szöveten belüli elváltozásokat.
Ezekkel az adatokkal, illetve a mechanika fizikai törvényei segítségével meghatározható a mechanikai tulajdonságok térbeli eloszlása, így például a merevség.
A tanulmány során a kutatók arra voltak kíváncsiak, vajon ki tudják-e hagyni e munkafolyamat legbonyolultabb részeit.
A kutatók ennek érdekében 12 ezer szintetikus képet használtak a gépi tanulási algoritmus edzéséhez. A folyamat hasonlít arra, ahogyan egy fotó azonosításánál működik egy szoftver – azaz, olyan formán, hogyan tanul az ismétlődő bemeneten keresztül a rendszer, amikor egy adott személyt ismer fel a képen, vagy, miként működik az agy, hogy megtanuljon megkülönböztetni egy macskát egy kutyától.
Elegendő példákon keresztül az algoritmus képes volt a jóindulatú daganat különböző jellemzőit a rosszindulatúval szemben megfogalmazni, s helyesen meghatározta.
A kutatók közel 100 százalékos besorolási pontosságot értek el a szintetikus képeken. S ha egyszer az algoritmust edzik, valós képekkel is tesztelhető annak megállapítására, mennyire lehet pontos a diagnózis esetében - a biopsziával igazolt diagnózisokkal egybevetve.
„Nagyjából 80 százalékos pontosságot értünk el – mondta Assad Oberai. – Természetesen tovább finomítjuk az algoritmust, több valódi kép bemenetként történő alkalmazásával.”
László Adrienn
