Radiologer kommer att kunna använda AI för att upptäcka hjärntumörer inom en snar framtid

En artikel med titeln "Deep learning and transfer learning for brain tumor detection and classification" publicerad i Biology Methods and Protocols säger att forskare kan träna modeller av artificiell intelligens (AI) för att skilja mellan hjärntumörer och frisk vävnad. AI-modeller kan redan upptäcka hjärntumörer i MR-bilder nästan lika bra som en mänsklig radiolog.

Forskare har gjort stadiga framsteg när det gäller att tillämpa AI inom medicin. AI är särskilt lovande inom radiologi, där väntan på att tekniker ska bearbeta medicinska bilder kan försena patientbehandling. Konvolutionella neurala nätverk är kraftfulla verktyg som gör det möjligt för forskare att träna AI-modeller på stora uppsättningar bilder för igenkänning och klassificering.

På så sätt kan nätverk "lära sig" att skilja mellan bilder. De har också förmågan att "överföra lärdomar". Forskare kan återanvända en modell som tränats för en uppgift för ett nytt men relaterat projekt.

Även om det går att upptäcka kamouflerade djur och klassificera hjärntumörer, så involverar det väldigt olika typer av bilder, menade forskarna att det finns en parallell mellan ett djur som gömmer sig tack vare naturligt kamouflage och en grupp cancerceller som smälter in i omgivande frisk vävnad.

Den inlärda generaliseringsprocessen – att gruppera olika objekt under en enda identifierare – är viktig för att förstå hur nätverket kan upptäcka kamouflerade objekt. Sådan inlärning kan vara särskilt användbar för att upptäcka tumörer.

I denna retrospektiva studie av offentligt tillgängliga MR-data undersökte forskarna hur neurala nätverksmodeller kunde tränas på hjärncancerdata, och introducerade ett unikt överföringsinlärningssteg för att upptäcka maskerade djur för att förbättra nätverkets tumördetekteringsförmåga.

Med hjälp av MR-bilder från offentligt tillgängliga onlinekällor för cancerdata och kontrollbilder av friska hjärnor (inklusive Kaggle, NIH Cancer Image Archive och VA Health System i Boston) tränade forskarna nätverk i att skilja mellan friska och cancerösa MR-bilder, identifiera det område som drabbats av cancer och cancerns prototypiska utseende (cancertumörtyp).

Forskarna fann att nätverken var nästan perfekta på att identifiera normala hjärnbilder med endast en eller två falska negativa resultat och på att skilja mellan cancerösa och friska hjärnor. Det första nätverket visade en genomsnittlig noggrannhet på 85,99 % vid upptäckt av hjärncancer, medan det andra hade en noggrannhet på 83,85 %.

En viktig egenskap hos nätverket är de många sätt på vilka dess beslut kan förklaras, vilket ökar förtroendet för modellerna från både sjukvårdspersonal och patienter. Djupgående modeller är ofta inte tillräckligt transparenta, och i takt med att området mognar blir förmågan att förklara nätverkens beslut viktig.

Tack vare denna forskning kan nätverket nu generera bilder som visar specifika områden i klassificeringen av en tumör som positiv eller negativ. Detta gör det möjligt för radiologer att kontrollera sina beslut mot nätverkets resultat, vilket ökar säkerheten som om det fanns en andra "robot"-radiolog i närheten som pekade på det område på magnetkameraundersökningen som indikerar en tumör.

I framtiden tror forskarna att det kommer att vara viktigt att fokusera på att skapa djupa nätverksmodeller vars beslut kan beskrivas på intuitiva sätt så att AI kan spela en transparent stödjande roll i klinisk praxis.

Även om nätverken hade svårt att skilja mellan olika typer av hjärntumörer i samtliga fall, var det tydligt att de hade inneboende skillnader i hur data representerades inom nätverket. Noggrannheten och tydligheten förbättrades allt eftersom nätverken tränades att känna igen kamouflage. Överförd inlärning ledde till ökad noggrannhet.

Även om den bästa testade modellen var 6 % mindre noggrann än standardmodellen för mänsklig detektion, visar studien framgångsrikt den kvantitativa förbättring som uppnåtts genom detta inlärningsparadigm. Forskarna tror att detta paradigm, i kombination med den omfattande tillämpningen av förklarbarhetsmetoder, kommer att bidra till att skapa nödvändig transparens i framtida klinisk AI-forskning.

"Framsteg inom AI gör det möjligt att upptäcka och känna igen mönster mer exakt", säger huvudförfattaren till artikeln, Arash Yazdanbakhsh.

"Detta förbättrar i sin tur bildbaserad diagnostik och screening, men kräver också mer förklaring av hur AI utför en uppgift. Strävan efter AI-förklarbarhet förbättrar interaktioner mellan människa och AI i allmänhet. Detta är särskilt viktigt mellan sjukvårdspersonal och AI utformad för medicinska ändamål."

"Tydliga och förklarliga modeller är bättre lämpade för att underlätta diagnos, spåra sjukdomsprogression och övervaka behandling."