Kan artificiell intelligens vara framtiden för cancerdiagnos?
I en ny studie utbildade forskare en algoritm för att skilja mellan maligna och godartade skador i skanningar av bröstvävnad.
Med cancer är nyckeln till framgångsrik behandling att fånga det tidigt.
Som det ser ut har läkare tillgång till högkvalitativ bildbehandling, och skickliga radiologer kan upptäcka de tydliga tecknen på onormal tillväxt.
När det väl har identifierats är nästa steg för läkare att fastställa om tillväxten är godartad eller malign.
Den mest pålitliga metoden är att ta en biopsi, vilket är ett invasivt förfarande.
Även då kan fel uppstå. Vissa människor får en cancerdiagnos där det inte finns någon sjukdom, medan andra inte får en diagnos när cancer är närvarande.
Båda resultaten orsakar nöd och den senare situationen kan orsaka förseningar i behandlingen.
Forskare är angelägna om att förbättra den diagnostiska processen för att undvika dessa problem. Att upptäcka om en lesion är malign eller godartad på ett mer tillförlitligt sätt och utan behov av biopsi skulle vara en spelväxlare.
Vissa forskare undersöker potentialen för artificiell intelligens (AI). I en ny studie utbildade forskare en algoritm med uppmuntrande resultat.
AI och elastografi
Ultraljudelastografi är en relativt ny diagnostisk teknik som testar styvheten i bröstvävnaden. Det uppnår detta genom att vibrera vävnaden, vilket skapar en våg. Denna våg orsakar förvrängning i ultraljudsundersökningen och markerar områden i bröstet där egenskaper skiljer sig från den omgivande vävnaden.
Från denna information är det möjligt för en läkare att avgöra om en lesion är cancer eller godartad.
Även om den här metoden har stor potential, är det tidskrävande att analysera resultaten av elastografi, involverar flera steg och kräver lösning av komplexa problem.
Nyligen frågade en grupp forskare från Viterbi School of Engineering vid University of Southern California i Los Angeles om en algoritm kunde minska de steg som behövdes för att hämta information från dessa bilder. De publicerade sina resultat i tidskriften Datormetoder inom tillämpad mekanik och teknik.
Forskarna ville se om de kunde träna en algoritm för att skilja mellan maligna och godartade lesioner vid bröstskanningar. Intressant nog försökte de uppnå detta genom att träna algoritmen med syntetisk data snarare än äkta skanningar.
Syntetiska data
På frågan varför teamet använde syntetiska data säger huvudförfattare Prof. Assad Oberai att det handlar om tillgången på verkliga data. Han förklarar att ”när det gäller medicinsk bildbehandling har du tur om du har 1000 bilder. I sådana situationer, där data är knappa, blir den här typen av tekniker viktiga. ”
Forskarna utbildade sin maskininlärningsalgoritm, som de hänvisar till som ett djupt fackligt neuralt nätverk med mer än 12 000 syntetiska bilder.
I slutet av processen var algoritmen 100% korrekt på syntetiska bilder; Därefter gick de över till verkliga livssökningar. De hade tillgång till bara 10 skanningar: varav hälften visade maligna skador och den andra hälften avbildade godartade skador.
”Vi hade ungefär 80% noggrannhet. Därefter fortsätter vi att förfina algoritmen genom att använda fler verkliga bilder som ingångar. ”
Prof. Assad Oberai
Även om 80% är bra är det inte tillräckligt - men detta är bara början på processen. Författarna tror att om de hade tränat algoritmen på riktiga data kan det ha visat förbättrad noggrannhet. Forskarna erkänner också att deras test var för liten skala för att förutsäga systemets framtida kapacitet.
Tillväxten av AI
De senaste åren har intresset ökat för användning av AI i diagnostik. Som en författare skriver:
"AI används framgångsrikt för bildanalys inom radiologi, patologi och dermatologi, med diagnostisk hastighet som överstiger, och noggrannhet parallellt, medicinska experter."
Prof. Oberai tror dock inte att AI någonsin kan ersätta en utbildad mänsklig operatör. Han förklarar att ”[det] allmänna samförståndet är att dessa typer av algoritmer har en betydande roll att spela, inklusive från bildtekniker som det kommer att påverka mest. Dessa algoritmer är dock mest användbara när de inte fungerar som svarta rutor. Vad såg den som ledde den till den slutliga slutsatsen? Algoritmen måste kunna förklaras för att den ska fungera som avsett. ”
Forskarna hoppas att de kan utöka sin nya metod för att diagnostisera andra typer av cancer. Varhelst en tumör växer förändras det hur en vävnad beter sig fysiskt. Det bör vara möjligt att kartlägga dessa skillnader och träna en algoritm för att upptäcka dem.
Men eftersom varje typ av cancer interagerar med omgivningen så annorlunda, måste en algoritm övervinna en rad problem för varje typ. Prof. Oberai arbetar redan med CT-skanningar av njurcancer för att hitta sätt som AI kan hjälpa till med diagnos där.
Även om det är tidiga dagar för användning av AI vid cancerdiagnos, finns det stora förhoppningar för framtiden.
