{vembed Y = urJ7QEdhP_U}
Ang isang artipisyal na tool ng intelihente - sinanay sa halos isang milyong mga imahe ng screening mammography — ay maaaring makilala ang kanser sa suso na may humigit-kumulang na 90% na katumpakan kapag pinagsama sa pagsusuri ng radiologist, natagpuan ng isang bagong pag-aaral.
Sinuri ng pag-aaral ang kakayahan ng isang uri ng artipisyal na katalinuhan (AI), isang programa ng computer learning computer, upang magdagdag ng halaga sa mga diagnose ng isang pangkat ng 14 na radiologist na naabot habang sinuri nila ang 720 mammogram mga imahe.
"Ang pinakahuling layunin ng aming trabaho ay ang pagdaragdag, hindi palitan, mga radiologist ng tao."
"Nalaman ng aming pag-aaral na natukoy ng AI ang mga pattern na may kaugnayan sa cancer sa data na hindi magagawa ng mga radiologist, at kabaliktaran," sabi ng may-akda ng senior na may-akda na si Krzysztof Geras, katulong na propesor sa departamento ng radiology sa Grossman School of Medicine ng New York University.
"Nakita ng AI ang mga pagbabago sa antas ng pixel sa hindi nakikita ng mata ng tao, samantalang ang mga tao ay gumagamit ng mga form ng pangangatwiran na hindi magagamit sa AI," idinagdag ni Geras, isang kaakibat na miyembro ng faculty sa Center for Data Science. "Ang pinakahuling layunin ng aming trabaho ay ang pagdaragdag, hindi palitan, mga radiologist ng tao."
Noong 2014, ang mga kababaihan (nang walang mga sintomas) sa Estados Unidos ay nakakuha ng higit sa 39 milyong mga pagsusulit ng mammography upang mag-screen para sa kanser sa suso at matukoy ang pangangailangan para sa mas malapit na pag-follow-up. Ang mga kababaihan na ang mga resulta ng pagsubok ay nagbubunga ng hindi normal na mga natuklasan ng mammography ay tinukoy para sa biopsy, isang pamamaraan na nag-aalis ng isang maliit na halimbawa ng tisyu ng suso para sa pagsubok sa laboratoryo.
Natuto ang tool ng AI upang mahulaan kung aling mga sugat ang malamang na mapagpahamak (pulang init na mapa) o malamang na benign (berdeng init na mapa), na may potensyal na tulungan ang mga radiologist sa diagnosis ng kanser sa suso. (Credit: NYU School of Medicine)
Sa bagong pag-aaral, dinisenyo ng pangkat ng pananaliksik ang mga istatistikal na pamamaraan na hayaan ang kanilang programa na "alamin" kung paano makakuha ng mas mahusay sa isang gawain nang hindi sinabi nang eksakto kung paano. Ang mga naturang programa ay nagtatayo ng mga modelo ng matematika na nagbibigay-daan sa paggawa ng desisyon batay sa mga halimbawa ng data na pinapakain sa kanila, na ang programa ay nakakakuha ng "mas matalinong" habang sinusuri ang higit pa at mas maraming data.
Lumapit ang mga modernong AI, na kumukuha ng inspirasyon mula sa utak ng tao, ay gumagamit ng mga kumplikadong circuit upang maproseso ang impormasyon sa mga layer, sa bawat hakbang na pagpapakain ng impormasyon sa susunod, at magtalaga ng higit o mas kaunting kahalagahan sa bawat piraso ng impormasyon sa kahabaan.
Sinasanay ng mga may-akda ng kasalukuyang pag-aaral ang kanilang kasangkapan sa AI sa maraming mga imahe na naitugma sa mga resulta ng mga biopsies na isinagawa noong nakaraan. Ang kanilang layunin ay upang paganahin ang tool upang matulungan ang mga radiologist na mabawasan ang bilang ng mga biopsies na kailangan pasulong. Magagawa lamang ito, sabi ni Geras, sa pamamagitan ng pagtaas ng tiwala na ang mga doktor ay may katumpakan ng mga pagtatasa na ginawa para sa mga pagsusulit sa screening (halimbawa, pagbabawas maling-positibo at maling-negatibong resulta).
Para sa kasalukuyang pag-aaral, sinuri ng koponan ng pananaliksik ang mga imahe na nakolekta bilang bahagi ng pag-aalaga sa klinikal na pangangalaga sa loob ng pitong taon, na lumilipas sa nakolekta na data at nagkokonekta sa mga imahe na may mga resulta ng biopsy. Ang pagsisikap na ito ay lumikha ng isang labis na malaking dataset para sa kanilang kasangkapan sa AI upang sanayin, sinabi ng mga may-akda, na binubuo ng 229,426 digital screening mammography exams at 1,001,093 na mga imahe. Karamihan sa mga database na ginagamit ng mga mananaliksik sa mga pag-aaral hanggang ngayon ay limitado sa 10,000 mga imahe o mas kaunti.
Kaya, sinanay ng mga mananaliksik ang kanilang neural network sa pamamagitan ng pagprograma nito upang pag-aralan ang mga imahe mula sa database kung saan natukoy ang mga diagnosis ng kanser. Nangangahulugan ito na alam ng mga mananaliksik ang "katotohanan" para sa bawat larawan ng mammography (cancer o hindi) habang sinubukan nila ang kawastuhan ng tool, habang ang tool ay dapat hulaan. Sinusukat ng mga mananaliksik ang kawastuhan sa dalas ng tamang mga hula.
Bilang karagdagan, dinisenyo ng mga mananaliksik ang modelo ng pag-aaral ng AI upang unang isaalang-alang ang napakaliit na mga patch ng buong imahe ng paglutas nang hiwalay upang lumikha ng isang mapa ng init, isang istatistika larawan ng posibilidad ng sakit. Pagkatapos ay isinasaalang-alang ng programa ang buong dibdib para sa mga tampok na istruktura na naka-link sa kanser, na binibigyang pansin ang mga lugar na na-flag sa mapa ng antas ng init ng pixel.
Sa halip na kilalanin ng mga mananaliksik ang mga tampok ng imahe para sa kanilang AI upang maghanap, ang tool ay natuklasan sa sarili nitong kung aling mga tampok ng imahe ay nagdaragdag ng kawastuhan ng hula. Ang paglipat ng pasulong, ang koponan ay nagplano upang higit pang madagdagan ang katumpakan na ito sa pamamagitan ng pagsasanay sa programa ng AI sa mas maraming data, marahil ay kinikilala ang mga pagbabago sa tisyu ng suso na hindi pa may kanser ngunit may potensyal na.
"Ang paglipat sa suporta ng AI sa diagnostic radiology ay dapat magpatuloy tulad ng pag-aampon ng mga kotse na nagmamaneho sa sarili - dahan-dahan at maingat, pagbuo ng tiwala, at pagpapabuti ng mga sistema kasama ang pagtuon sa kaligtasan," sabi ng unang may-akda na si Nan Wu, isang kandidato ng doktor sa ang Center for Data Science.
Lumilitaw ang pag-aaral sa Mga Transaksyon ng IEEE sa Imaging Medikal.
Tungkol sa Author
Ang may-akda ng senior study na si Krzysztof Geras ay isang katulong na propesor sa departamento ng radiology sa Grossman School of Medicine ng New York University.
Ang mga karagdagang coauthors ay mula sa NYU, SUNY Downstate College of Medicine, University of Cambridge, at Jagiellonian University.
Ang suporta para sa trabaho ay dumating, sa bahagi, mula sa National Institutes of Health. Ang modelo na ginamit sa pag-aaral na ito ay ginawang magagamit sa larangan upang magmaneho ng pagbabago.
Mga Kaugnay na Libro:
The Body Keeps the Score: Brain Mind and Body in the Healing of Trauma
ni Bessel van der Kolk
Tinutuklas ng aklat na ito ang mga koneksyon sa pagitan ng trauma at pisikal at mental na kalusugan, na nag-aalok ng mga insight at diskarte para sa pagpapagaling at pagbawi.
I-click para sa karagdagang impormasyon o para mag-order
Paghinga: Ang Bagong Agham ng Nawalang Sining
ni James Nestor
Sinasaliksik ng aklat na ito ang agham at kasanayan sa paghinga, na nag-aalok ng mga insight at diskarte para sa pagpapabuti ng pisikal at mental na kalusugan.
I-click para sa karagdagang impormasyon o para mag-order
The Plant Paradox: Ang Mga Nakatagong Panganib sa "Malulusog" na Pagkaing Nagdudulot ng Sakit at Pagtaas ng Timbang
ni Steven R. Gundry
Tinutuklas ng aklat na ito ang mga link sa pagitan ng diyeta, kalusugan, at sakit, na nag-aalok ng mga insight at diskarte para sa pagpapabuti ng pangkalahatang kalusugan at kagalingan.
I-click para sa karagdagang impormasyon o para mag-order
The Immunity Code: The New Paradigm for Real Health and Radical Anti-Aging
ni Joel Greene
Ang aklat na ito ay nag-aalok ng bagong pananaw sa kalusugan at kaligtasan sa sakit, na kumukuha sa mga prinsipyo ng epigenetics at nag-aalok ng mga insight at diskarte para sa pag-optimize ng kalusugan at pagtanda.
I-click para sa karagdagang impormasyon o para mag-order
Ang Kumpletong Gabay sa Pag-aayuno: Pagalingin ang Iyong Katawan sa Pamamagitan ng Pasulput-sulpot, Kahaliling Araw, at Pinahabang Pag-aayuno
ni Dr. Jason Fung at Jimmy Moore
Tinutuklas ng aklat na ito ang agham at kasanayan ng pag-aayuno na nag-aalok ng mga insight at diskarte para sa pagpapabuti ng pangkalahatang kalusugan at kagalingan.
