Инструменты медицинского искусственного интеллекта могут эффективно работать для разных локаций и групп населения. - Общественно-политическая газета
Trending Tags

Инструменты медицинского искусственного интеллекта могут эффективно работать для разных локаций и групп населения.

Чтобы искусственный интеллект (ИИ) в полной мере реализовал свой потенциал для оказания помощи онкологическим больным, исследователям необходимо доказать, что их успехи в области машинного обучения могут быть последовательно воспроизведены в разных условиях и среди популяций пациентов.

Вот почему исследователи биомедицинской инженерии Case Western Reserve все больше внимания уделяют применению своих новых алгоритмов для сканирования пациентов из разных мест.

Например, ранее этой весной они опубликовали многообещающие результаты, касающиеся диагностики рака легких у 400 пациентов из трех систем здравоохранения. И исследование 2020 года показало, что их подход может предсказать рецидив у 610 пациентов с раком легких на ранней стадии в четырех местах.

«Это немаловажная вещь – это следующий важный шаг к тому, чтобы когда-нибудь сделать ИИ пригодным для использования врачами, и это одна из тех вещей, к которым мы должны обратиться напрямую», – пояснил Анант Мадабхуши, директор университетского центра компьютерной визуализации и персонализированной диагностики ( CCIPD) сказал. «Например, мы знаем, что даже в пределах одной больницы можно сканировать пациентов на разных компьютерных томографах, в результате чего изображения будут отличаться по внешнему виду, поэтому ИИ должен уметь учитывать эти различия».

Поэтому, если ИИ когда-либо будет доверять – а затем будет регулярно использоваться – врачами и клиницистами, сказал Мадабхуши, конечные пользователи должны быть убеждены не только в том, что компьютерная диагностика возможна, но и в том, что ее можно воспроизвести – и, в частности, работать для них самих. пациенты.

Следующие шаги: подтверждение воспроизводимости результатов

Исследователи называют это воспроизводимостью или часто «обобщаемостью», идеей о том, что успешный метод, лечение или инструмент могут работать независимо от того, когда, где и на кого – или перед лицом практически любой другой переменной.

Это оказалось недостижимой целью и даже названо «мифом» другими исследователями, которые выявили несколько устрашающих препятствий. К этим трудностям относятся различия в том, как аппараты КТ создают изображения, различия в аппаратном и программном обеспечении и демографические данные пациентов.

С этой целью Мадабхуши и его группа планируют проспективные клинические испытания с использованием обобщенных сигнатур ИИ для рака легких на компьютерных томограммах, которые они уже идентифицировали.

Исследователи работают с больницами на северо-востоке Огайо, чтобы оценить возможность обобщения этих инструментов искусственного интеллекта в реальном мире для решения проблем, связанных с диагностикой и прогнозом рака легких.

Теперь новое опубликованное исследование основывается на предыдущей и текущей работе CCIPD за последние несколько лет в области разработки обобщаемых моделей ИИ.

Новым является создание более формальной основы для определения стабильных и точных характеристик, а также проверка подхода на гораздо большем количестве исследований и учреждений.

Исследование Мадабхуши, доктора биомедицинской инженерии. студент Мохаммадхади Хоррами и его сотрудники появились, соответственно, в апреле 2020 года в журнале Lung Cancer и в марте 2021 года в European Journal of Cancer .

Отличие: «стабильные» функции

К этому моменту Анант Мадабхуши и его группа в университетском Центре компьютерной визуализации и персонализированной диагностики (CCIPD) успешно применили свой искусственный интеллект, определяя, какие пациенты с раком легких хорошо отреагируют на химиотерапию, иммунотерапию или, в некоторых случаях, вернется ли рак или как долго может прожить пациент.

Но в каждом случае эти результаты были получены только в результате анализа существующих данных и / или изображений постфактум и только для одной группы больных раком .

Теперь, вместо того, чтобы просто обучать свои компьютеры фокусироваться на функциях сканирования, которые позволяют различать злокачественные и доброкачественные опухоли , например, они запрограммировали ИИ также запоминать меньшие особенности, которые совпадают от одного сканирования к другому, даже если эти функции не связаны между собой. к самому раку .

Ключом к этой работе была оценка сотен характеристик изображения доктором биомедицинской инженерии. студент Мохаммадхади Хоррами, сказал Мадабхуши.

Хоррами рассмотрел не только то, как текстура и форма узелков в легких могут привести к диагностике рака легких и предсказать исходы, но также и то, насколько согласованными или стабильными были эти особенности на всех компьютерных томографах и на разных участках.

«Для этого мы определили набор функций, которые были наиболее точными, но в то же время стабильными на всех сайтах», – сказал Хоррами. «Итак, когда мы оценили модели машинного обучения с этими точными и стабильными функциями на внешних сайтах, эти модели показали себя лучше, чем модели, созданные с использованием только самых точных функций, те, в которых стабильность функций не учитывалась».

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Previous post Анестетик может повлиять на распространение тау-белка в головном мозге, способствуя развитию патологии болезни Альцгеймера.
Next post Исследователи выясняют причину гибели нейронов у семейных пациентов с БАС.