2022. 06. 23. - 09:00
Pontos agydaganat-diagnózist állít fel a mesterséges intelligencia
Precízebbé válhat az agydaganatok osztályozása – ezáltal az optimális kezelési lehetőségek kiválasztása is - a mesterséges intelligencia fiziológiás képalkotással kombinált alkalmazással.
Pontosabbá válhat az agydaganatok diagnózisa mesterséges intelligencia alkalmazásával.
Az agytumorok osztályozását, s ezzel az optimális kezelési lehetőségek kiválasztását is precízebbé teheti, ha a mesterséges intelligencia és a fiziológiás képalkotás ötvöződik egymással.
A megoldás egy nagyszabású tanulmány eredménye, melyet a Karl Landsteiner Egészségtudományi Egyetem (KL Krems) szakemberei végeztek és a Cancers folyóiratban jelent meg.
A kutatók ún. multiclass, azaz többosztályú gépi tanulási módszereket alkalmaztak az agydaganatok elemzésére és osztályozására a mágneses rezonancia képalkotás fiziológiai adatainak felhasználásával.
Az eredményeket összehasonlították az ember-szakértők végezte osztályozásokkal. A mesterséges intelligenciát többek között a pontosság, a precizitás és a téves besorolás területén múlta felül eddig a kutatókat, míg a szakemberek jobban teljesítettek az érzékenység és a specifikusság terén. Olvasd el: Vérteszttel azonosítja az agydaganat jeleit a mesterséges intelligencia
Precízebbé válhat az agydaganatok osztályozása mesterséges intelligenciával
Az agydaganatok mágneses rezonancia képalkotással (MRI) könnyen kimutathatók, pontos besorolásuk azonban nem egyszerű – márpedig ez az, ami kulcsfontosságú a lehető legjobb kezelési lehetőségek kiválasztásához.
A nemzetközi kutatócsapat most a modern MRI-módszerek adatait alkalmazta a gépi tanulási (ML) protokollok alapjaként, s felmérte a mesterséges intelligencia használatát az agydaganatok osztályozására.
Kiderült, hogy bizonyos területeken jobb lehet a mesterséges intelligencia segítségével történő osztályozás, mint amit a képzett szakemberek végeznek.
Több MRI és több adat
A kutatócsoportot Andreas Stadlbauer professzor, a St. Pölten Egyetemi Kórház Orvosi Radiológiai Diagnosztikai Központjának tudósa vezetette. A szakemberi gárda fejlett és fiziológiai MRI-adatokat egyaránt felhasznált a tanulmányhoz.
Mindkét módszer jobb betekintést nyújt az agydaganat szerkezetébe és anyagcseréjébe, egy ideig jobb osztályozást tesz lehetővé. Csakhogy egy ilyen differenciált képhez óriási mennyiségű adat szükséges, amelyet szakszerűen értékelni is kell. Olvasd el: MI segít a rák biztonságos kimutatásában
„Most azt elemeztük, vajon a gépi tanulást használó mesterséges intelligencia képes-e, s ha igen, hogyan támogatja a képzett szakembereket ezen herkulesi feladat során - magyarázta Stadlbauer professzor. - Az eredmények nagyon ígéretesek. A pontosság, precizitás és a téves besorolás elkerülése tekintetében egy mesterséges intelligencia jól osztályozza az agydaganatokat az MRI adatok segítségével.”
Az eredmény legnyűgöző. Ennek eléréséhez a kutatócsoport 9 jól ismert Multiclass ML algoritmust képezett ki 167 korábbi, olyan beteg MRI-adataival, akiknél az öt leggyakoribb agydaganat egyike volt jelen és pontos osztályozásuk is megtörtént szövettani módszerrel.
Összesen 135 úgynevezett osztályozót hoztak létre egy összetett protokollban. Ezek olyan matematikai függvények, amelyek a vizsgálandó anyagot meghatározott kategóriákhoz rendelik.
„A korábbi tanulmányokkal ellentétben most figyelembe vettük a fiziológiás MRI-k adatait is - mondta Stadlbauer professzor. - Ez magába foglalta a daganatok vaszkuláris felépítésének részleteit és új erek kialakulását, valamint a daganatszövet oxigénellátását is.”
A csapat a különböző MRI-módszerek és a többosztályú ML adatok kombinációját „radiofiziomikának” nevezte el. Az ebben a megközelítésben rejlő lehetőségek nyilvánvalóvá váltak a projekt második részében, a tesztelési szakaszban.
A most kiképzett többosztályú gépi tanulási algoritmusokat 20 aktuális agydaganatos beteg megfelelő MRI-adataival táplálták be, majd az így kapott osztályozási eredményeket hasonlították össze két okleveles radiológuséval.
Ezáltal a két legjobb ML algoritmus (a továbbiakban: „adaptív boosting” és „random forest”) felülmúlta az emberi értékelési eredményeket a pontosság és precizitás területén. Ezenkívül ezek az ML algoritmusok kevesebb téves besorolást eredményeztek, mint a szakemberek (5 a 6-tal szemben). Másrészt, ami az értékelés érzékenységét és specifikusságát illeti, az emberi értékelések pontosabbnak bizonyultak, mint a tesztelt mesterséges intelligencia.
„Ez azt is világossá teszi, hogy az ML-megközelítés nem helyettesítheti a képzett személyzet végezte osztályozást, inkább kiegészítheti azt. Ezenkívül az ehhez a megközelítéshez szükséges idő és erőfeszítés jelenleg még mindig nem nagyon sok. Ám lehetőséget kínál, aminek a további kiaknázása szükséges a mindennapi klinikai használathoz" – mondta Andreas Stadlbauer professzor.
L.A.
