Mungkinkah kecerdasan buatan menjadi masa depan diagnosis barah?
Dalam satu kajian baru-baru ini, para penyelidik melatih algoritma untuk membezakan antara luka ganas dan jinak dalam imbasan tisu payudara.
Dengan barah, kunci rawatan yang berjaya adalah mengatasinya lebih awal.
Seperti sekarang, para doktor mempunyai akses kepada pengimejan berkualiti tinggi, dan ahli radiologi yang mahir dapat mengetahui tanda-tanda pertumbuhan yang tidak normal.
Setelah dikenal pasti, langkah seterusnya adalah untuk doktor memastikan sama ada pertumbuhannya jinak atau ganas.
Kaedah yang paling dipercayai ialah mengambil biopsi, yang merupakan prosedur invasif.
Walaupun begitu, kesalahan boleh berlaku. Sebilangan orang menerima diagnosis kanser di mana tidak ada penyakit, sementara yang lain tidak menerima diagnosis ketika barah ada.
Kedua-dua hasil menyebabkan kesusahan, dan keadaan yang terakhir dapat menyebabkan kelewatan rawatan.
Penyelidik berminat untuk meningkatkan proses diagnostik untuk mengelakkan masalah ini. Mengesan sama ada lesi malignan atau jinak lebih dipercayai dan tanpa memerlukan biopsi akan menjadi penukar permainan.
Beberapa saintis sedang menyiasat potensi kecerdasan buatan (AI). Dalam satu kajian baru-baru ini, para saintis melatih algoritma dengan hasil yang memberangsangkan.
AI dan elastografi
Elastografi ultrabunyi adalah teknik diagnostik yang agak baru yang menguji kekakuan tisu payudara. Ini dapat dicapai dengan menggetarkan tisu, yang menghasilkan gelombang. Gelombang ini menyebabkan distorsi pada imbasan ultrasound, menyoroti kawasan payudara di mana sifatnya berbeza dengan tisu sekitarnya.
Dari maklumat ini, doktor dapat menentukan sama ada lesi itu barah atau jinak.
Walaupun kaedah ini mempunyai potensi besar, menganalisis hasil elastografi memakan masa, melibatkan beberapa langkah, dan memerlukan penyelesaian masalah yang kompleks.
Baru-baru ini, sekumpulan penyelidik dari Viterbi School of Engineering di University of Southern California di Los Angeles bertanya sama ada algoritma dapat mengurangkan langkah-langkah yang diperlukan untuk menarik maklumat dari gambar-gambar ini. Mereka menerbitkan hasilnya dalam jurnal itu Kaedah Komputer dalam Mekanik dan Kejuruteraan Gunaan.
Para penyelidik ingin melihat sama ada mereka dapat melatih algoritma untuk membezakan antara luka ganas dan jinak pada imbasan payudara. Menariknya, mereka berusaha mencapainya dengan melatih algoritma menggunakan data sintetik dan bukannya imbasan yang asli.
Data sintetik
Ketika ditanya mengapa pasukan ini menggunakan data sintetik, penulis utama Prof Assad Oberai mengatakan bahawa ia bergantung kepada ketersediaan data dunia nyata. Dia menjelaskan bahawa "dalam kes pengimejan perubatan, anda bernasib baik jika anda mempunyai 1,000 gambar. Dalam situasi seperti ini, di mana data jarang berlaku, teknik seperti ini menjadi penting. "
Para penyelidik melatih algoritma pembelajaran mesin mereka, yang mereka sebut sebagai rangkaian saraf konvolusional yang mendalam, menggunakan lebih daripada 12,000 gambar sintetik.
Menjelang akhir proses, algoritma 100% tepat pada gambar sintetik; seterusnya, mereka beralih ke imbasan kehidupan sebenar. Mereka hanya mendapat 10 imbasan: separuh daripadanya menunjukkan lesi ganas dan separuh lagi luka jinak yang digambarkan.
"Kami mempunyai kadar ketepatan sekitar 80%. Seterusnya, kami terus menyempurnakan algoritma dengan menggunakan lebih banyak imej dunia nyata sebagai input. "
Prof Assad Oberai
Walaupun 80% baik, itu tidak cukup baik - namun, ini baru permulaan prosesnya. Penulis percaya bahawa jika mereka telah melatih algoritma pada data sebenar, ia mungkin menunjukkan peningkatan ketepatan. Para penyelidik juga mengakui bahawa ujian mereka terlalu kecil untuk meramalkan kemampuan sistem masa depan.
Pertumbuhan AI
Dalam tahun-tahun kebelakangan ini, terdapat minat yang semakin meningkat terhadap penggunaan AI dalam diagnostik. Seperti yang ditulis oleh seorang pengarang:
"AI berjaya diterapkan untuk analisis gambar dalam radiologi, patologi, dan dermatologi, dengan kecepatan diagnostik melebihi, dan ketepatan yang sejajar, pakar perubatan."
Bagaimanapun, Prof Oberai tidak percaya bahawa AI dapat menggantikan pengendali manusia yang terlatih. Dia menjelaskan bahawa “[konsensus umum] adalah jenis algoritma ini mempunyai peranan penting, termasuk dari pengimejan profesional yang akan memberi kesan paling besar. Walau bagaimanapun, algoritma ini akan sangat berguna apabila ia tidak berfungsi sebagai kotak hitam. Apa yang dilihatnya sehingga membawa kepada kesimpulan akhir? Algoritma mesti dijelaskan agar dapat berfungsi seperti yang diharapkan. "
Para penyelidik berharap mereka dapat mengembangkan kaedah baru mereka untuk mendiagnosis jenis barah yang lain. Di mana sahaja tumor tumbuh, ia mengubah bagaimana tisu bertindak, secara fizikal. Adalah mustahil untuk memetakan perbezaan ini dan melatih algoritma untuk mengesannya.
Namun, kerana setiap jenis barah berinteraksi dengan persekitarannya dengan cara yang berbeza, algoritma perlu mengatasi pelbagai masalah untuk setiap jenis. Sudah tentu, Prof Oberai sedang mengusahakan imbasan CT barah ginjal untuk mencari cara AI dapat membantu diagnosis di sana.
Walaupun ini adalah hari-hari awal untuk penggunaan AI dalam diagnosis barah, ada harapan yang tinggi untuk masa depan.
