Kaikki iLive-sisältö tarkistetaan lääketieteellisesti tai se tarkistetaan tosiasiallisen tarkkuuden varmistamiseksi.
Meillä on tiukat hankintaohjeet ja vain linkki hyvämaineisiin mediasivustoihin, akateemisiin tutkimuslaitoksiin ja mahdollisuuksien mukaan lääketieteellisesti vertaisarvioituihin tutkimuksiin. Huomaa, että suluissa ([1], [2] jne.) Olevat numerot ovat napsautettavia linkkejä näihin tutkimuksiin.
Jos sinusta tuntuu, että jokin sisältö on virheellinen, vanhentunut tai muuten kyseenalainen, valitse se ja paina Ctrl + Enter.
Radiologit voivat lähitulevaisuudessa käyttää tekoälyä aivokasvainten havaitsemiseen.
Viimeksi tarkistettu: 02.07.2025
Biology Methods and Protocols -lehdessä julkaistussa artikkelissa "Deep learning and transfer learning for brain tumor detection and classification" todetaan, että tiedemiehet voivat kouluttaa tekoälymalleja (AI) erottamaan aivokasvaimet terveestä kudoksesta. Tekoälymallit pystyvät jo havaitsemaan aivokasvaimia magneettikuvauksissa lähes yhtä hyvin kuin ihmisradiologi.
Tutkijat ovat edistyneet tasaisesti tekoälyn soveltamisessa lääketieteessä. Tekoäly on erityisen lupaava radiologiassa, jossa lääketieteellisten kuvien käsittelyn odottaminen voi viivästyttää potilaiden hoitoa. Konvoluutiohermoverkot ovat tehokkaita työkaluja, joiden avulla tutkijat voivat kouluttaa tekoälymalleja suurilla kuvajoukoilla tunnistusta ja luokittelua varten.
Tällä tavoin verkot voivat "oppia" erottamaan kuvat toisistaan. Niillä on myös kyky "siirtää oppimista". Tutkijat voivat käyttää uudelleen yhteen tehtävään koulutettua mallia uudessa, mutta siihen liittyvässä projektissa.
Vaikka naamioituneiden eläinten havaitseminen ja aivokasvainten luokittelu sisältävät hyvin erilaisia kuvia, tutkijat ehdottivat, että luonnollisen naamioinnin ansiosta piiloutuvan eläimen ja ympäröivään terveeseen kudokseen sulautuvien syöpäsolujen välillä on rinnakkaisuus.
Yleistämisen opittu prosessi – eri objektien ryhmittely yhden tunnisteen alle – on tärkeä sen ymmärtämiseksi, miten verkko voi havaita naamioituja kohteita. Tällainen oppiminen voisi olla erityisen hyödyllistä kasvainten havaitsemisessa.
Tässä julkisesti saatavilla olevien MRI-tietojen retrospektiivisessä tutkimuksessa tutkijat tarkastelivat, miten neuroverkkomalleja voitaisiin kouluttaa aivosyöpädatalla. Tutkimuksessa otettiin käyttöön ainutlaatuinen siirto-oppimisvaihe verhottujen eläinten havaitsemiseksi ja siten verkon kasvainten havaitsemistaitojen parantamiseksi.
Käyttäen julkisesti saatavilla olevista verkosta löytyvistä syöpätietolähteistä saatuja magneettikuvia ja terveiden aivojen kontrollikuvia (mukaan lukien Kaggle, NIH Cancer Image Archive ja VA Health System Bostonissa) tutkijat kouluttivat verkostoja erottamaan terveiden ja syöpää sairastavien aivojen magneettikuvat, tunnistamaan syövän vaikutusalueen ja syövän prototyyppisen ulkonäön (syöpäkasvaimen tyypin).
Tutkijat havaitsivat, että verkot olivat lähes täydellisiä tunnistamaan normaalit aivokuvat vain yhdellä tai kahdella väärällä negatiivisella tuloksella ja erottamaan syöpä- ja terveet aivot toisistaan. Ensimmäisen verkon keskimääräinen tarkkuus aivosyövän havaitsemisessa oli 85,99 %, kun taas toisen tarkkuus oli 83,85 %.
Verkoston keskeinen ominaisuus on sen päätösten monipuolinen selittäminen, mikä lisää lääketieteen ammattilaisten ja potilaiden luottamusta malleihin. Syvät mallit eivät usein ole riittävän läpinäkyviä, ja alan kypsyessä kyky selittää verkostojen päätöksiä tulee tärkeäksi.
Tämän tutkimuksen ansiosta verkko voi nyt tuottaa kuvia, jotka osoittavat kasvaimen luokittelussa tietyt alueet positiivisiksi tai negatiivisiksi. Tämä antaa radiologeille mahdollisuuden tarkistaa päätöksensä verkon tuloksia vasten, mikä lisää luottamusta ikään kuin lähellä olisi toinen "robotti"radiologi osoittamassa MRI-kuvan aluetta, joka viittaa kasvaimeen.
Tutkijoiden mielestä tulevaisuudessa on tärkeää keskittyä sellaisten syvien verkostomallien luomiseen, joiden päätökset voidaan kuvata intuitiivisesti, jotta tekoälyllä voi olla läpinäkyvä tukirooli kliinisessä käytännössä.
Vaikka verkoilla oli kaikissa tapauksissa vaikeuksia erottaa aivokasvaintyyppejä toisistaan, oli selvää, että niillä oli luontaisia eroja siinä, miten data esitettiin verkossa. Tarkkuus ja selkeys paranivat, kun verkkoja koulutettiin tunnistamaan naamiointi. Siirto-oppiminen johti tarkkuuden kasvuun.
Vaikka paras testattu malli oli 6 % epätarkempi kuin tavanomainen ihmisen tekemä havaitseminen, tutkimus osoittaa onnistuneesti tämän oppimisparadigman avulla saavutetun määrällisen parannuksen. Tutkijat uskovat, että tämä paradigma yhdistettynä selitettävyysmenetelmien kattavaan soveltamiseen auttaa tuomaan tarvittavaa läpinäkyvyyttä tulevaan kliiniseen tekoälytutkimukseen.
"Tekoälyn kehitys mahdollistaa kuvioiden havaitsemisen ja tunnistamisen tarkemmin", sanoo artikkelin pääkirjoittaja Arash Yazdanbakhsh.
"Tämä puolestaan parantaa kuvapohjaista diagnostiikkaa ja seulontaa, mutta vaatii myös enemmän selitystä siitä, miten tekoäly suorittaa tehtävän. Tekoälyn selitettävyyden edistäminen parantaa ihmisen ja tekoälyn välistä vuorovaikutusta yleisesti. Tämä on erityisen tärkeää lääketieteen ammattilaisten ja lääketieteellisiin tarkoituksiin suunnitellun tekoälyn välillä."
"Selkeät ja selitettävät mallit sopivat paremmin diagnoosin tekemiseen, taudin etenemisen seuraamiseen ja hoidon seurantaan."