רדיולוגים יוכלו להשתמש בבינה מלאכותית כדי לזהות גידולי מוח בעתיד הקרוב.

מאמר שכותרתו "למידה עמוקה ולמידה מועברת לגילוי וסיווג גידולי מוח" שפורסם בכתב העת Biology Methods and Protocols קובע כי מדענים יכולים לאמן מודלים של בינה מלאכותית (AI) להבחין בין גידולי מוח לרקמה בריאה. מודלים של בינה מלאכותית כבר יכולים לזהות גידולי מוח בתמונות MRI כמעט באותה יעילות כמו רדיולוג אנושי.

חוקרים עשו התקדמות מתמדת ביישום בינה מלאכותית ברפואה. בינה מלאכותית מבטיחה במיוחד בתחום הרדיולוגיה, שם המתנה לטכנאים לעיבוד תמונות רפואיות עלולה לעכב את הטיפול בחולים. רשתות עצביות קונבולוציוניות הן כלים רבי עוצמה המאפשרים לחוקרים לאמן מודלים של בינה מלאכותית על קבוצות גדולות של תמונות לצורך זיהוי וסיווג.

בדרך זו, רשתות יכולות "ללמוד" להבחין בין תמונות. יש להן גם את היכולת "להעביר למידה". מדענים יכולים לעשות שימוש חוזר במודל שאומן למשימה אחת עבור פרויקט חדש אך קשור.

למרות שגילוי בעלי חיים מוסווים וסיווג גידולי מוח כרוכים בסוגים שונים מאוד של תמונות, החוקרים הציעו שיש הקבלה בין בעל חיים המסתתר הודות להסוואה טבעית לבין קבוצת תאי סרטן המתמזגת עם רקמה בריאה שמסביב.

התהליך הנלמד של הכללה - קיבוץ עצמים שונים תחת מזהה יחיד - חשוב להבנת האופן שבו הרשת יכולה לזהות עצמים מוסווים. למידה כזו יכולה להיות שימושית במיוחד לגילוי גידולים.

במחקר רטרוספקטיבי זה של נתוני MRI הזמינים לציבור, בחנו החוקרים כיצד ניתן לאמן מודלים של רשתות עצביות על נתוני סרטן המוח, תוך הצגת שלב למידה ייחודי לגילוי בעלי חיים עטויי מסווה כדי לשפר את כישורי גילוי הגידולים של הרשת.

באמצעות סריקות MRI ממקורות נתונים מקוונים הזמינים לציבור על סרטן ותמונות בקרה של מוחות בריאים (כולל Kaggle, ארכיון תמונות הסרטן של NIH ומערכת הבריאות של VA בבוסטון), אימנו החוקרים רשתות להבחין בין סריקות MRI בריאות לסרטניות, לזהות את האזור המושפע מסרטן ואת המראה האבטיפוסי של הסרטן (סוג גידול סרטני).

החוקרים מצאו שהרשתות היו כמעט מושלמות בזיהוי תמונות מוח תקינות עם תוצאה שלילית כוזבת אחת או שתיים בלבד, ובהבחנה בין מוחות סרטניים למוחות בריאים. הרשת הראשונה הראתה דיוק ממוצע של 85.99% בגילוי סרטן המוח, בעוד שהשנייה הראתה דיוק של 83.85%.

מאפיין מרכזי של הרשת הוא הדרכים המרובות בהן ניתן להסביר את החלטותיה, מה שמגביר את האמון במודלים מצד אנשי מקצוע רפואיים ומטופלים. מודלים עמוקים לרוב אינם שקופים מספיק, וככל שהתחום מתבגר, היכולת להסביר את החלטות הרשתות הופכת לחשובה.

הודות למחקר זה, הרשת יכולה כעת לייצר תמונות המציגות אזורים ספציפיים בסיווג הגידול כחיובי או שלילי. זה יאפשר לרדיולוגים לבדוק את החלטותיהם מול תוצאות הרשת, ויוסיף ביטחון כאילו היה רדיולוג "רובוטי" שני בקרבת מקום שמצביע על האזור ב-MRI שמצביע על גידול.

בעתיד, החוקרים מאמינים שיהיה חשוב להתמקד ביצירת מודלים של רשת עמוקה, שאת החלטותיהם ניתן לתאר בדרכים אינטואיטיביות, כך שבינה מלאכותית תוכל למלא תפקיד תומך שקוף בפרקטיקה הקלינית.

למרות שהרשתות התקשו להבחין בין סוגי גידולי מוח בכל המקרים, היה ברור שהיו הבדלים מהותיים באופן שבו הנתונים יוצגו בתוך הרשת. הדיוק והבהירות השתפרו ככל שהרשתות אומנו לזהות הסוואה. למידה באמצעות העברה הובילה לדיוק מוגבר.

למרות שהמודל הטוב ביותר שנבדק היה פחות מדויק ב-6% מגילוי אנושי סטנדרטי, המחקר מדגים בהצלחה את השיפור הכמותי שהושג באמצעות פרדיגמת למידה זו. החוקרים מאמינים שפרדיגמה זו, בשילוב עם יישום מקיף של שיטות הסבר, תסייע להביא את השקיפות הנדרשת למחקר קליני עתידי בתחום הבינה המלאכותית.

"התקדמות בבינה מלאכותית מאפשרת לזהות ולזהות דפוסים בצורה מדויקת יותר", אמר המחבר הראשי של המאמר, אראש יזדנבאכש.

"זה, בתורו, משפר אבחון וסינון מבוססי תמונה, אך גם דורש הסבר נוסף לגבי אופן ביצוע המשימה של הבינה המלאכותית. הדחיפה להסבר של בינה מלאכותית משפרת את האינטראקציות בין בני אדם לבינה מלאכותית באופן כללי. זה חשוב במיוחד בין אנשי מקצוע רפואיים לבין בינה מלאכותית המיועדת למטרות רפואיות."

"מודלים ברורים וניתנים להסבר מתאימים יותר לסיוע באבחון, מעקב אחר התקדמות המחלה ומעקב אחר הטיפול."