Strojové učení v radiologii

Umělá inteligence (AI) má v moderním světě mnohá využití. Strojové učení (Machine learning, ML) je větví AI, která stojí na pilířích informatiky, statistiky a matematické optimalizace. ML je v jednoduchosti proces, pří kterém dodávame počítačovému programu velké množství dat, pričemž použitím komplexných matematických operací program zlepšuje svoju analýzu těchto dat a tím i svoje předpovědi.

Jak to funguje?

Struktura neuronové sítě

Typy ML algoritmů jou různé v závislosti od principu fungování a problému, které mají řešit. V medicíne hrají velmi důležitou úlohu deep learning algoritmy používané na mělé neuonové sítě.

Umělá neuronová síť je systém částečne inspirován přírodou, v které neurony fyzicky komunikují a vytvářejí hustě propojené sítě. Když jsou neurony v lidském mozku aktivované v určitém vzoru, spouštějí například procesy učení, rozpoznávaní okolí, vyhodnocovaní nebezpečí, či reakci na přítomnost potenciálního partnera. Umělá neuronová síť se dokáže též učit tím, že analyzuje data všeobecně bez toho, aby na to byla dopředu naprogramovaná (unsupervised learning).

Neuronová síť je složená z umělých neuronů, které jsou pospojované edgmi. Signál, který neuron přijmme od jiného neuronu je reálné číslo, které následně tento neuron nelineárně spracuje spolu s ostatními signály, jež dostal od jiných neuronů skrze aktivační funkci. V procesu učení, se toto źpracování mění a ovlivňuje (zvyšuje nebo znižuje) sílu signálu spojení. Tento faktor nazývame weight - váha. Neurony můžou mit nastavený takzvaný threshold, díky kterému pošlou signál jen v případě, že byly dostatečně “stimulované”.

Neurony v síti jsou uspořádány do vrstev, z nichž každá vykonává jinou transformaci resp. analýzu na vložených dat. První vrstva se nazývá input layer a poslední output layer. V případě, že mezi input a output layer sa nachází několik skrytých vrstev v nichž nevíme, jak jak přesně jsou informace vložené do programu zpracované, hovoříme o Deep Learningu.

Medicína představuje velmi perspektivní budoucnost pro využití deep learningových algoritmů prostrednictvím takzvaného Pattern Recognition, tedy rozpoznávaní vzorců na obrázcích. V tomto případě je program schopný rozpoznat podobnosti na obrázcích v obrovských datových sítích a klasifikovat je do kategorií. Aby sme nehovořili jen abstraktne, tak právě toto je proces, který dokáže na RTG, MRI či na USG snímku rozpoznat rakovinu ve stádiích, kdy by byla snadno přehlédnutelná doktorem. To, jak se program naučil rozpoznat rakovinu na snímku neumíme zjistit a neuronovou síť proto nazývame black box.

Jednotlivé aplikace deep learningu v medicíně si uvedeme níže.

Histopatologie

Zjednodušený proces analýzy jednotlivých malých kousků vzorků a jejich klasifikace.

Karcinom plic je hlavní príčinou úmrtí na rakovinu u mužů i žen v USA a západním světě. Je klasifikovaný na malobuňkový neuroendokrinní karcinom a nemalobuňkový karcinom, jehož adenokarcinom najbežnejším histologickým typem. Adenokarcinom představuje asi polovinu všech případů nadorů plic.

Vizualizace vzorových preparátů označených patologem (A.i–iv) a preparátů detekovaných deep learningovým modelem(B.i–iv).

Klasifikace histologických preparátů při identifikaci plicních adenokarcinomů je kritická pro určení stupně rozsahu a správné léčby pro pacienta. Tato úloha je často nelehká díky odlišnostem mezi nádory a subjektivním kritériím hodnotícího doktora. Ve vědecké studii byl navrhnutý deep learningový model, který automaticky klasifikuje vzory (patterns) ve vzorcích z pacientoa s plicním adenokarcinomem. Model používa konvoluční neuronovou síť na identifikaci regionů neoplastických buněk, na základe kterých umí odhadnout, či jde o vzorek, který má v sobě stejné vzory odpovídající výskytu rakoviny.

Výsledek

Model byl hodnocený na nezávislé sadě 143 obrázků. Dosáhl skóre kappa* 0,525 a zhodu 66,6% s třemi patologiemi pro klasifikaci prevládajících vzorů. Všechny hodnotící metriky pro zkoumaný model a třech patologů byli v 95% intervalech spolehlivosti. Když se model podaří převzít do klinické praxe, tak může výrazně pomoct patologům při zlepšovaní klasifikace plicních adenokarcinomů automatickým předběžným screeningem a zvýrazňovaním rakovinových oblastí.

*Skóre Kappa je velmi zjednodušené měřidlo toho, jak přesně se případy klasifikované ML klasifikátorem shodovali s "ground truth", realitou. Neexistuje nějaká univerzální interpretace jeho hodnoty, no podle článku z Wikipédie, Landis a Koch považují 0-0.20 jako velmi slabé, 0.21-0.40 jako slabé, 0.41-0.60 jako přiěřené, 0.61-0.80 jako velmi dobré a 0.81-1 jako téměř perfektní.

Detekce nádorů na mozku

Automatická segmentace nádorů na mozku z obrázků MRI je potenciální způsob, jako by sme v budoucnosti mohli pomoct lekářům lépe identifikovať rakovinu. Konvolučné neuronové sítě (CNN) jsou potenciálně pro tyto úlohy jako vyšité.

Autoři článku vybrali 44 pacientů s glioblastomem (GBM), kteří měli k dispozici předoperační údaje (MRI) a též údaje o prežití, ze dvou institucí ze souborů údajů The Cancer Imaging Archive. Obrázky byly manuálně anotované naznačením každé nádorové složky, aby se vytvořila základní pravda (ground truth). Aby automaticky rozdělili nádory u každého pacienta, vyškolili tři CNN: (a) jeden s použitím údajů o pacientech z té jisté instituce jako údaje z testů, (b) jeden s použitím údajů o pacientech z jiné instituce a (c) s použitím údajů o pacientech z obou institucí. Dále opomenineme jen výsledky zohledňující přesnost algoritmu, bez zaměření se na odchylky různých institucí.

Dice coefficient se bežně používa pro porovnávání výsledků z algoritmů proti skutečnému hodnocení specialistou. Pro model trénovaný na obou institucích je přiměřený dice coefficient 0.75 ± 0.13 pro Class 2 (na obrázku zelený región). Tyto výsledky můžeme považovat za velmi dobré, a těšit se na potenciální aplikace těchto algoritmů v medicínské praxi.

Medical Sieve od IBM

...novinky, o kterých se vyplatí vědět.

Ukázka prostředí programu.

S rastrem zobrazovacích metod jaké je MRI, CT a ultrazvuk, musí rádiologové a kardiologové zkouat velké množství snímků a záznamů na denní báze. Medical Sieve, IBM Research Grand Challenge, který vede Dr. Tanveer Syeda-Mahmood (stf@us.ibm.com), se zaměřuje na vývoj kognitivního asistentského systému pro rádiology a kardiology, který rychle zjišťuje anomálie. Jeho velkou výzvou je vybudovat prokazatelně dobrého kognitivního klinického asistenta se stejnou schopností jako radiológ na základní úrovni, který pomůže rádiologům s přesností a účinností určit struktury, na které se dívají.

Seznam referencí

1. Ad: další reference jsou uvedené u daných témat jako odkazy
2. Ad: všechny obrázky pocházejí z uvedených zdrojů a odkazů, autorská práva neporušená