Analiza medicinske slike pomoću veštačke inteligencije brzo se razvila poslednjih godina. Sada je jedna od najvećih studija do sada sprovedena pomoću analize slika limfoma, raka limfnog sistema uz pomoć veštačke inteligencije. Istraživači sa Tehnološkog univerziteta Chalmers u Švedskoj, razvili su kompjuterski model koji može uspešno pronaći znake raka limfnih čvorova u 90% slučajeva.
Nove kompjuterski potpomognute metode za tumačenje medicinskih slika se razvijaju za različita medicinska stanja. Oni mogu da smanje obim posla za radiologe, davanjem drugog mišljenja ili rangiranjem kojim pacijentima je najbrže potrebno lečenje.
„Kompjuterski sistem zasnovan na veštačkoj inteligenciji za tumačenje medicinskih slika takođe doprinosi povećanju jednakosti u zdravstvenoj zaštiti dajući pacijentima pristup istoj stručnosti i mogućnost da se njihove slike pregledaju u razumnom roku, bez obzira u kojoj se bolnici nalaze. Sistem veštačke inteligencije ima pristup mnogo više informacija, takođe olakšava retke bolesti gde radiolozi retko vide slike“, kaže Ida Hagstrom, vanredni profesor na Odseku za elektrotehniku u Chalmersu.
U bliskoj saradnji sa Sahlgrenska akademijom na Univerzitetu u Geteborgu i Univerzitetskom bolnicom Sahlgrenska, učestvovala je u razvoju medicinskog imidžinga u oblasti raka, kao i niza drugih medicinskih stanja, kao što su kardiovaskularne bolesti, moždani udar i osteoporoza. .
Zajedno sa klinički aktivnim istraživačima u, između ostalih, Memorial Sloan Kettering Cancer Center u Njujorku, Heggstrom je razvio kompjuterski model koji je predstavljen u The Lancet Digital Health, u radu pod naslovom „Duboko učenje za [18 F]fluorodeoksiglukozu-PET- CT klasifikacija kod pacijenata sa limfomom: retrospektivna analiza sa dva centra.“
„Na osnovu više od 17.000 slika sa više od 5.000 pacijenata sa limfomom, napravili smo sistem učenja u kojem su kompjuteri obučeni da pronađu vizuelne znakove raka u limfnom sistemu“, kaže Heggstrom.
U studiji, istraživači su pregledali arhive slika koje su se protezale unazad više od 10 godina. Oni su uporedili konačnu dijagnozu pacijenata sa skeniranjem pozitronske emisione tomografije (PET) i kompjuterske tomografije (CT) snimljene pre i posle tretmana. Ove informacije su zatim korišćene za obuku kompjuterskog modela AI da otkrije znake raka limfnih čvorova na slici.
Kompjuterski model koji je Heggstrom razvio naziva se Lars, sistem veštačkog čitanja limfoma, i predstavlja takozvani sistem dubokog učenja zasnovan na veštačkoj inteligenciji. Funkcioniše tako što unosi sliku iz pozitronske emisione tomografije (PET) i analizira ovu sliku koristeći AI model. Obučen je da pronađe obrasce i karakteristike na slici, kako bi se što bolje predvidelo da li je slika pozitivna ili negativna, odnosno da li sadrži limfom ili ne.
„Koristio sam ono što je poznato kao obuka pod nadzorom, gde se slike prikazuju kompjuterskom modelu, koji onda procenjuje da li pacijent ima limfom ili ne. Model takođe može da vidi pravu dijagnozu, pa ako je procena pogrešna, kompjuter model je prilagođen tako da postepeno postaje sve bolji i bolji u određivanju dijagnoze“, kaže Heggstrom.
U praksi, šta zapravo znači da kompjuterski model koristi veštačku inteligenciju i duboko učenje za postavljanje dijagnoze?
„Radi se o činjenici da u modelu nismo programirali unapred određena uputstva o tome koje informacije na slici treba da gleda, već ga pustimo da sam nauči koji su obrasci slike važni kako bi se dobila najbolja moguća predviđanja.“
Heggstrom opisuje proces učenja kompjutera da otkrije, u ovom slučaju, rak na slikama kao dugotrajan, i kaže da je bilo potrebno nekoliko godina da se završi studija. Jedan od izazova je bio proizvesti tako veliku količinu slikovnog materijala. Takođe je bilo izazovno prilagoditi kompjuterski model tako da može razlikovati rak od privremenih promena specifičnih za lečenje koje se mogu videti na slikama nakon radioterapije i hemoterapije.
„U studiji smo procenili tačnost kompjuterskog modela na oko devedeset odsto, a posebno u slučaju slika koje je teško interpretirati, to bi moglo podržati radiologe u njihovim procenama.
Međutim, ostaje još mnogo posla koji treba da se uradi na validaciji kompjuterskog modela ako se želi koristiti u kliničkoj praksi.
„Kompjuterski kod smo učinili dostupnim sada tako da drugi istraživači mogu da nastave da rade na osnovu našeg kompjuterskog modela, ali klinički testovi koji treba da se urade su opsežni“, kaže Hagstrom.
