Эксперт по медицинской диагностике, помощник врача и картограф — все это справедливые названия для модели искусственного интеллекта, разработанной исследователями из Института передовых наук и технологий Бекмана.
Их новая модель точно идентифицирует опухоли и заболевания на медицинских изображениях и запрограммирована объяснять каждый диагноз с помощью визуальной карты. Уникальная прозрачность инструмента позволяет врачам легко следить за его ходом рассуждений, дважды проверять точность и объяснять результаты пациентам.
«Идея состоит в том, чтобы помочь выявить рак и болезнь на самых ранних стадиях (как знак X на карте) и понять, как было принято решение. Наша модель поможет упростить этот процесс и облегчить его как для врачей, так и для пациентов», — сказал Сурия. Сенгупта, ведущий автор исследования и научный сотрудник Института Бекмана.
Это исследование появилось в журнале IEEE Transactions on Medical Imaging .
Кошки и собаки, лук и огры
Впервые представленный в 1950-х годах, искусственный интеллект — концепция, согласно которой компьютеры могут научиться адаптироваться, анализировать и решать проблемы, как это делают люди, — достиг домашнего признания, отчасти благодаря ChatGPT и его расширенному семейству простых в использовании инструментов.
Машинное обучение, или ML, — это один из многих методов, которые исследователи используют для создания систем искусственного интеллекта . ML для ИИ является тем же, чем образование водителя для 15-летнего подростка: контролируемая, контролируемая среда для практики принятия решений, адаптации к новым условиям и изменения маршрута после ошибки или неправильного поворота.
Глубокое обучение — более мудрый и мирской родственник машинного обучения — может переваривать большие объемы информации для принятия более тонких решений. Модели глубокого обучения черпают свою решающую силу из самых близких к человеческому мозгу компьютерных симуляций: глубоких нейронных сетей .
Эти сети, как и люди, луковицы и огры, состоят из слоев, что усложняет навигацию по ним. Чем более многослойной или нелинейной интеллектуальная сеть сети, тем лучше она выполняет сложные задачи, подобные человеческим.
Рассмотрим нейронную сеть, обученную различать изображения кошек и собак. Модель учится, просматривая изображения в каждой категории и сохраняя их отличительные особенности (например, размер, цвет и анатомию) для дальнейшего использования. Со временем модель учится следить за бакенбардами и плакать доберманом при первых признаках гибкого языка.
Но глубокие нейронные сети не являются непогрешимыми, как и чрезмерно усердные малыши, говорит Сенгупта, изучающий биомедицинскую визуализацию на факультете электротехники и компьютерной инженерии Университета Иллинойса в Урбане-Шампейне.
«Иногда они делают это правильно, может быть, даже большую часть времени, но не всегда это может быть по правильным причинам», - сказал он. «Я уверен, что каждый знает ребенка, который однажды увидел коричневую четвероногую собаку, а затем подумал, что каждое коричневое четвероногое животное — это собака».
Недовольство Сенгупты? Если вы спросите малыша, как он решил, он, вероятно, вам расскажет.
«Но вы не можете спросить глубокую нейронную сеть, как она пришла к ответу», — сказал он.
Проблема черного ящика
Какими бы изящными, умелыми и быстрыми они ни были, глубокие нейронные сети с трудом осваивают основополагающий навык, которым обучают старшеклассников по математическому анализу: показывать свою работу. Это называется проблемой черного ящика искусственного интеллекта , и она уже много лет ставит ученых в тупик.
На первый взгляд, добиться признания от сопротивляющейся сети, которая приняла померанского шпица за кошку, не кажется невероятно важным. Но гравитация черного ящика усиливается по мере того, как рассматриваемые изображения становятся все более изменяющими жизнь. Например: рентгеновские снимки маммограммы, которые могут указывать на ранние признаки рака молочной железы.
Процесс расшифровки медицинских изображений выглядит по-разному в разных регионах мира.
«Во многих развивающихся странах наблюдается нехватка врачей и длинные очереди пациентов. ИИ может быть полезен в этих сценариях», — сказал Сенгупта.
Когда время и талант востребованы, автоматизированный просмотр медицинских изображений может быть использован в качестве вспомогательного инструмента, никоим образом не заменяя навыки и опыт врачей, сказал Сенгупта. Вместо этого модель искусственного интеллекта может предварительно сканировать медицинские изображения и отмечать те, которые содержат что-то необычное (например, опухоль или ранние признаки заболевания, называемые биомаркерами), для рассмотрения врачом. Этот метод экономит время и даже может повысить производительность человека, которому поручено читать скан.
Эти модели работают хорошо, но их подход к лечению оставляет желать лучшего, когда, например, пациент спрашивает, почему система искусственного интеллекта пометила изображение как содержащее (или не содержащее) опухоль.
Исторически сложилось так, что исследователи отвечали на подобные вопросы с помощью множества инструментов, предназначенных для расшифровки черного ящика снаружи внутрь. стекло к уху.
«Было бы намного проще просто открыть дверь, войти в комнату и послушать разговор своими глазами», — сказал Сенгупта.
Ситуация еще больше усложняется тем, что существует множество вариаций этих инструментов интерпретации. Это означает, что любой черный ящик можно интерпретировать «правдоподобно, но по-разному», сказал Сенгупта.
«А теперь вопрос: какой интерпретации вы верите?» он сказал. «Есть вероятность, что на ваш выбор будет влиять ваша субъективная предвзятость, и в этом заключается основная проблема традиционных методов».
Решение Сенгупты? Совершенно новый тип модели искусственного интеллекта, которая интерпретирует себя каждый раз и объясняет каждое решение вместо того, чтобы вежливо сообщать о бинарности «опухоль или не опухоль», — сказал Сенгупта.
Другими словами, стакан с водой не нужен, потому что дверь исчезла.
Сопоставление модели
Йог, изучающий новую позу, должен практиковать ее неоднократно. Модель искусственного интеллекта, обученная отличать кошек от собак, изучала бесчисленные изображения обоих четвероногих.
Модель искусственного интеллекта, выполняющая функции помощника врача, выращивается на диете из тысяч медицинских изображений, некоторые из которых имеют аномалии, а некоторые — нет. Столкнувшись с чем-то никогда ранее не виданным, он запускает быстрый анализ и выдает число от 0 до 1. Если число меньше 0,5, изображение не считается содержащим опухоль; цифра больше 0,5 требует более пристального внимания.
Новая модель искусственного интеллекта Сенгупты имитирует эту схему с одной особенностью: модель выдает значение плюс визуальную карту, объясняющую ее решение.
Карта, называемая исследователями картой эквивалентности или сокращенно электронной картой, по сути представляет собой преобразованную версию исходного рентгеновского снимка, маммограммы или другого носителя медицинских изображений. Подобно холсту, раскрашенному по номерам, каждому региону электронной карты присвоен номер. Чем больше значение, тем более интересен регион с медицинской точки зрения для прогнозирования наличия аномалии. Модель суммирует значения, чтобы получить окончательную цифру, которая затем используется для постановки диагноза.
«Например, если общая сумма равна 1, а на карте представлены три значения — 0,5, 0,3 и 0,2 — врач может точно увидеть, какие области на карте больше способствовали такому выводу, и изучить эти дополнительные значения. полностью», — сказал Сенгупта.
Таким образом, врачи могут дважды проверить, насколько хорошо работает глубокая нейронная сеть (подобно учителю, проверяющему работу ученика над математической задачей), и ответить на вопросы пациентов о процессе.
«Результатом является более прозрачная и надежная система между врачом и пациентом», — сказал Сенгупта.
X отмечает место
Исследователи обучили свою модель решению трех различных задач по диагностике заболеваний, включая более 20 000 изображений.
Сначала модель просмотрела смоделированные маммограммы и научилась отмечать ранние признаки опухолей. Во-вторых, они проанализировали изображения сетчатки, полученные оптической когерентной томографией, и попрактиковались в выявлении скоплений, называемых друзами, которые могут быть ранним признаком дегенерации желтого пятна. В-третьих, модель изучила рентгеновские снимки грудной клетки и научилась выявлять кардиомегалию — состояние увеличения сердца, которое может привести к заболеванию.
После обучения модели создания карт исследователи сравнили ее производительность с существующими системами искусственного интеллекта «черного ящика» — теми, у которых нет настроек самоинтерпретации. Новая модель показала сопоставимые результаты со своими аналогами во всех трех категориях: точность 77,8% для маммограмм, 99,1% для изображений ОКТ сетчатки и 83% для рентгенографии грудной клетки по сравнению с существующими 77,8%, 99,1% и 83,33. %
Столь высокая точность является результатом работы глубокой нейронной сети, нелинейные слои которой имитируют нюансы человеческих нейронов.
Чтобы создать такую сложную систему, исследователи очистили пресловутую луковицу и черпали вдохновение из линейных нейронных сетей, которые проще и легче интерпретировать.
«Вопрос заключался в следующем: как мы можем использовать концепции, лежащие в основе линейных моделей, чтобы сделать нелинейные глубокие нейронные сети интерпретируемыми подобным образом?» сказал главный исследователь Марк Анастасио, исследователь Института Бекмана, профессор Дональда Биггара Уиллета и глава факультета биоинженерии штата Иллинойс. «Эта работа является классическим примером того, как фундаментальные идеи могут привести к новым решениям для современных моделей искусственного интеллекта».
Исследователи надеются, что будущие модели смогут обнаруживать и диагностировать аномалии по всему телу и даже различать их.
«Я воодушевлена прямой пользой нашего инструмента для общества не только с точки зрения улучшения диагностики заболеваний, но и повышения доверия и прозрачности между врачами и пациентами», — сказала Анастасио.
