Онкология и Изкуствен интелект
Статистики на блога
  • 45 434 посещения

LYNA: Алгоритъма за Изкуствен интелект, който се справя по-добре от патолозите при матастазирал рак на млечната жлеза?

I.Bivolarski
I.Bivolarski
13.07.201924.10.2019

Може ли да се диагностицира по-точно и бързо метастатичния карцином на млечната жлеза? Възможно ли е с помоща на изкуствен интелект да подобрим диагностицирането и да намалим смъртността, откривайки го много по-рано?

Метастатичните тумори са способни да пътуват през тялото чрез кръвоносните или лимфните системи като така достигат до други части на тялото.

За съжаление  понякога трудно се откриват и са водеща причина за смърт.

Метастазиралото заболяване понякога е равносилно на смъртна присъда и затова към него трябва да се подхожда с изключителна бдителност.

Появило се става много трудно за лечение.

Едно проучване от 2009 г. сред 102-ма пациенти с рак на гърдата в два бостънски здравни
центъра е установило, че всеки четвърти пациент е бил засегнат от някакъв вид неуспех в процеса на грижа към него като например неадекватни медицински прегледи и/или непълни
диагностични тестове.

Това се счита, че е била една от причините, повече от половин милион смъртни случая в света, да бъдат причинени от рак на гърдата като около 90% са били  резултат от метастазирало заболяване.

Сега учени от Сан Диего и Google AI, (подразделение в Google), са разработили обещаващо решение, използващо алгоритми за откриване на рак,  които автономно могат да оценяват биопсии на лимфни възли.

Техната система за изкуствен интелект, наречена Асистент за лимфни възли, или LYNA е описана в статия, озаглавена „Откриване на метастази при  рак на гърдата, чрез изкуствен интелект“, която е била публикувана в Американския журнал по хирургична патология.

При тестовете алгоритъма е постигнал точност на  откриване от 99%.

Това е много по-добро представяне от “човешките” патолози, които според една от последните  оценки пропускат малките метастази върху отделните слайдове.

Алгоритмите за изкуствен интелект могат изчерпателно да оценят всяка тъканна проба върху слайд.

Така се осигурява рамка за  подпомагане на практикуващите патолози при оценяването на пробите, а алгоритмите подобряват и улесняват работния процес (подобно, както патологът оценява  резултатите от имунохистохимията, например).

LYNA се основава на модел на дълбоко обучение за разпознаване на изображения, за който е доказано, че постига 78,1%  точност (и дори повече) при данните от наборите ImageNet на Stanford.

За входното изображение е необходим 299-пикселов образ, очертаващ туморите като в хода
на обучението си алгоритъмът извлича информация, какъв е видът на тумора: “доброкачествен” или “злокачествен” и коригира  алгоритмично модела, за да намали вероятността от грешка.

Екипът е подобрил предишните алгоритми чрез излагане на LYNA на съотношение 4:1 от нормални към туморни проби и чрез увеличаване на „изчислителната ефективност“ в тренировъчния процес, което от своя страна е довело до това алгоритъма „да види“ по-голямо разнообразие на тъканите.

Освен това, са били нормализирани вариациите в сканирането на слайдовете за биопсия, за което казват, че повишават представянето на модела в още по-голяма степен.

Изследователите са приложили алгоритъма LYNA при метастази в лимфните възли при едно състезание върху колекция от 399 изображения на лимфни възли предоставени от

Университетския медицински център на Радбуд (Ниймеген, Холандия) и Университетския медицински център Утрехт Холандия, както и отделен набор  от 108 изображения от 20 пациенти.

Алгоритъмът е изучил 270 от тези слайдове (160 нормални, 110 туморни) и още два оценителни комплекта – един от 129 слайда и друг от  108, които са били използвани за оценка на неговото изпълнение.

Може ли LYNA да се справи по-добре от патолозите?

При тези тестове LYNA е постигнала 99,3% точност на ниво слайд. Когато прагът на чувствителност на модела е бил коригиран, за да се открият всички тумори във  всеки слайд,  той е показал 69% чувствителност, точно идентифицирайки всичките 40 метастази в набора от данни за оценка без никакви фалшиво положителни резултати.

Нещо повече,  той не е бил засегнат от артефакти в слайдовете, като въздушни мехурчета, лоша обработка, кръвоизливи и прекомерно замъсяване.

LYNA не е била съвършена.

Понякога е разпознавала гигантски клетки, зародишни клетки и бели кръвни клетки, получени от костния мозък –  но е успяла да се представи много по-добре от практикуващия патолог, натоварен с оценката на същите слайдове.

Във втора статия, публикувана от Google AI,  моделът наполовина е намалил времето, необходимо на екип от сертифицирани патолози, за да открие метастази в лимфните възли.

Бъдещата работа на алгоритъма ще изследва дали може да се подобри ефективността и диагностичната точност.

Изводът е, че LYNA е постигнала по-висока чувствителност към тумора, отколкото патолозите. Тези техники могат да подобрят с много продуктивността на  патолога и да намалят броя на фалшивите негативи, свързани с морфологичното откриване на туморни клетки.

Източник на информация:

1.Artificial Intelligence-Based Breast Cancer Nodal Metastasis Detection: Insights Into the Black Box for Pathologists

   Send article as PDF   
Новости