ИИ и нейронные сети могут сократить время ожидания классификации поражений у пациентов с раком груди
Одно из самых мучительных переживаний, которое испытывает больной раком, — это ожидание без знания: ожидание диагноза, ожидание результатов анализов, ожидание результатов протоколов лечения. В новой статье, опубликованной в Scientific Reports, оценивается использование искусственного интеллекта (ИИ) и нейронных сетей для значительного сокращения времени, необходимого медицинским специалистам для классификации поражений на ультразвуковых изображениях рака молочной железы.
Точная классификация имеет решающее значение для ранней диагностики и лечения, а подход на основе глубокого обучения (ГО) позволяет эффективно представлять и использовать цифровое содержимое изображений для более точного и быстрого анализа медицинских изображений.
Доктор Кека Бисвас, автор статьи, является преподавателем биологических наук в UAH, части The University of Alabama System. В настоящее время она занимается изучением человеческих раковых клеток в рамках совместного подхода с биологами, математиками и статистиками в области математической биологии.
Недавние достижения в области искусственного интеллекта и медицинской визуализации привели к широкому использованию технологий глубокого обучения, особенно в обработке и классификации изображений.
«Глубокое обучение — это раздел машинного обучения, в котором модели на основе нейронных сетей имитируют способность человеческого мозга анализировать огромные объемы сложных данных в таких областях, как распознавание изображений», — объясняет Бисвас.
«Приложения включают в себя обнаружение подтипов рака, классификацию текста, медицинскую визуализацию и т. д. Благодаря ИИ вы можете использовать эти достижения во время операции, чтобы увидеть, на какой стадии находится рак, а его визуализация выполняется гораздо быстрее».
Ультразвуковое исследование груди полезно для обнаружения и различения доброкачественных и злокачественных масс, но отчетность по визуализации и функции системы данных сложны для врачей и рентгенологов, а также требуют много времени. Исследование изучало взаимосвязь характеристик визуализации рака груди и необходимость быстрой классификации и анализа точных медицинских изображений поражений груди.
«Хотя в диагностике, прогнозировании и лечении онкологических больных достигнут определенный прогресс, индивидуализированная и основанная на данных помощь остается проблемой», — отмечает исследователь. «ИИ использовался для прогнозирования и автоматизации многих видов рака и стал многообещающим вариантом для повышения точности медицинской помощи и результатов лечения пациентов».
Применение ИИ в онкологии включает оценку риска, раннюю диагностику , прогнозирование состояния пациента, оценку и выбор лечения на основе знаний глубокого обучения. Исследование Бисваса изучает взаимосвязь между особенностями визуализации рака молочной железы и ролью тканей между и вне поражений и их влиянием на улучшение производительности классификации глубокого обучения.
Все эти достижения основаны на различных способах воздействия доброкачественных и злокачественных опухолей на соседние ткани, таких как характер роста и неровности границ, степень проникновения в соседнюю ткань и изменения на уровне тканей.
«Именно здесь вступает в дело глубокое обучение, изучающее более глубокие ткани и внешние ткани, и это может дать нам наборы данных для работы», — говорит Бисвас.
Исследователи используют ИИ и предварительное обучение для получения «наборов данных нейронной сети», наборов данных, используемых для обучения нейронной сети, типа алгоритма машинного обучения, вдохновленного человеческим мозгом. Обучение использует помеченные примеры, на которых сеть учится, чтобы определять закономерности и делать прогнозы на основе новых данных.
Методологический конвейер, описывающий этапы индивидуального обучения, трансферного обучения и тестирования моделей VGG16, MobileNetV2 и EfficientNetB7. Источник: Scientific Reports (2024). DOI: 10.1038/s41598-024-74316-5
Сначала модель обучается на наборе данных для изучения общих признаков и закономерностей, после чего она служит «предварительно обученной» моделью, которую можно дополнительно настроить на меньших наборах данных, предназначенных для решения конкретных задач, для достижения более высокой производительности для конкретной исследовательской цели — по сути, используя знания, полученные из большого набора данных для предварительного обучения, для повышения эффективности обучения на меньших специализированных наборах данных.
В 2023 году Бисвас по счастливой случайности совершила поездку на конференцию в Южную Африку, где познакомилась с доктором Люминитой Морару, профессором Галацкого университета в Румынии, которая имеет схожие карьерные ориентиры, но подходит к решению задач с использованием других инструментов.
«Я познакомилась с доктором Морару, которая работала на кафедре химии в своем университете, где у нее есть лаборатория моделирования и стимуляции», — говорит Бисвас. «Но у нее не было биологической или анатомической подготовки для такого рода исследований».
Объединившись, два исследователя обнаружили, что могут дополнять навыки друг друга, чтобы глубже разобраться в таких проблемах с данными. «Затем, примерно в то же время, у одной из моих подруг обнаружили рак груди, и она потеряла надежду», — говорит Бисвас. «Это сильно на нее повлияло. Больше всего пугало то, как долго требовалось проходить все патологические исследования».
Именно тогда события вскоре приняли еще более личный оборот для педагога из Украинской ССР.
«Этим летом [2024 года] я на самом деле испытала все это на себе», — говорит исследователь. «Я пошла на плановый осмотр и рассказала врачу о своих симптомах, и она сказала: давайте сделаем биопсию. Через два дня мне позвонили, вам нужно прийти, и я поняла, что что-то не так. У вас рак, — сказала моя врач.
«Знаете ли вы, на какой стадии он находится? — спросил я. Она не смогла назвать мне стадию, даже с учетом проведенных патологических тестов. У меня есть ребенок, семья. Мне нужно было узнать, на какой стадии он находится, какое лечение будет проводиться. На получение результатов ушло еще три-четыре недели. Задержка была главной — нужна ли мне операция? Сколько времени это займет?
«Все это было гораздо более долгим процессом. Мой онколог был очень расстроен», — говорит исследователь. «У меня был диагноз, но ни одно изображение не говорило нам, на какой стадии он находится. Есть ли метастазы или нет. Мне нужно было знать, как скоро я смогу поправиться».