Нове публикације
Радиолози ће у блиској будућности моћи да користе вештачку интелигенцију за откривање тумора мозга
Последње прегледано: 02.07.2025

Сви иЛиве садржаји су медицински прегледани или проверени како би се осигурала што већа тачност.
Имамо стриктне смјернице за набавку и само линкамо на угледне медијске странице, академске истраживачке институције и, кад год је то могуће, медицински прегледане студије. Имајте на уму да су бројеви у заградама ([1], [2], итд.) Везе које се могу кликнути на ове студије.
Ако сматрате да је било који од наших садржаја нетачан, застарио или на неки други начин упитан, одаберите га и притисните Цтрл + Ентер.

Рад под називом „Дубоко учење и трансферно учење за откривање и класификацију тумора мозга“, објављен у часопису Biology Methods and Protocols, каже да научници могу да обучавају моделе вештачке интелигенције (ВИ) да разликују туморе мозга од здравог ткива. Модели ВИ већ могу да детектују туморе мозга на МРИ снимцима готово једнако добро као и људски радиолог.
Истраживачи су постигли стални напредак у примени вештачке интелигенције у медицини. Вештачка интелигенција је посебно обећавајућа у радиологији, где чекање да техничари обраде медицинске слике може одложити лечење пацијената. Конволуционе неуронске мреже су моћни алати који омогућавају истраживачима да тренирају моделе вештачке интелигенције на великим скуповима слика ради препознавања и класификације.
На овај начин, мреже могу да „науче“ да разликују слике. Такође имају могућност „преношења учења“. Научници могу поново да користе модел обучен за један задатак за нови, али повезани пројекат.
Иако откривање камуфлираних животиња и класификација тумора мозга укључују веома различите врсте слика, истраживачи сугеришу да постоји паралела између животиње која се скрива захваљујући природној камуфлажи и групе ћелија рака које се стапају са околним здравим ткивом.
Научени процес генерализације – груписање различитих објеката под једним идентификатором – важан је за разумевање како мрежа може да детектује камуфлиране објекте. Такво учење би могло бити посебно корисно за откривање тумора.
У овој ретроспективној студији јавно доступних МРИ података, истраживачи су испитали како се модели неуронских мрежа могу тренирати на подацима о раку мозга, уводећи јединствени корак учења преноса за откривање прикривених животиња како би се побољшале вештине мреже за откривање тумора.
Користећи магнетне резонанце из јавно доступних онлајн извора података о раку и контролне слике здравих мозгова (укључујући Kaggle, NIH Cancer Image Archive и VA Health System у Бостону), истраживачи су обучавали мреже да разликују здраве и канцерогене магнетне резонанце, идентификују подручје погођено раком и прототипски изглед рака (тип тумора рака).
Истраживачи су открили да су мреже биле готово савршене у идентификовању нормалних слика мозга са само једним или два лажно негативна резултата и разликовању између канцерогених и здравих мозгова. Прва мрежа је показала просечну тачност од 85,99% у откривању рака мозга, док је друга имала тачност од 83,85%.
Кључна карактеристика мреже су вишеструки начини на које се њене одлуке могу објаснити, што повећава поверење у моделе од стране медицинских стручњака и пацијената. Дубоки модели често нису довољно транспарентни, и како се област развија, способност објашњавања одлука мрежа постаје важна.
Захваљујући овом истраживању, мрежа сада може да генерише слике које приказују специфичне области у класификацији тумора као позитивне или негативне. Ово ће омогућити радиолозима да провере своје одлуке у односу на резултате мреже, додајући поверење као да се у близини налази други „роботски“ радиолог који показује на подручје МРИ које указује на тумор.
Истраживачи верују да ће у будућности бити важно фокусирати се на стварање модела дубоких мрежа чије се одлуке могу описати на интуитиван начин како би вештачка интелигенција могла да игра транспарентну помоћну улогу у клиничкој пракси.
Иако су мреже имале потешкоћа у разликовању типова тумора мозга у свим случајевима, било је јасно да постоје суштинске разлике у начину на који су подаци представљени унутар мреже. Тачност и јасноћа су се побољшале како су мреже биле обучене да препознају камуфлажу. Трансфер учења је довео до повећане тачности.
Иако је најбољи тестирани модел био 6% мање прецизан од стандардне људске детекције, студија успешно показује квантитативно побољшање постигнуто овом парадигмом учења. Истраживачи верују да ће ова парадигма, заједно са свеобухватном применом метода објашњивости, помоћи да се будућа клиничка истраживања вештачке интелигенције донесу у потребну транспарентност.
„Напредак у вештачкој интелигенцији омогућава прецизније откривање и препознавање образаца“, рекао је главни аутор рада, Араш Јазданбахш.
„Ово, заузврат, побољшава дијагностику и скрининг засноване на сликама, али такође захтева више објашњења о томе како вештачка интелигенција обавља задатак. Тежња ка објашњивости вештачке интелигенције побољшава интеракције између људи и вештачке интелигенције уопште. Ово је посебно важно између медицинских стручњака и вештачке интелигенције дизајниране за медицинске сврхе.“
"Јасни и објашњиви модели су боље прилагођени за помоћ у дијагнози, праћење прогресије болести и праћење лечења."