Ερευνητές από την Ιατρική Σχολή του Χάρβαρντ ανέπτυξαν το BrainIAC, ένα ενιαίο μοντέλο τεχνητής νοημοσύνης ικανό να αναλύει μαγνητικές τομογραφίες του εγκεφάλου, για μια σειρά παθήσεων- από την νόσο Αλτσχάιμερ έως τον καρκίνο.
Αυτή η καινοτόμος προσέγγιση εξαλείφει την ανάγκη δημιουργίας ξεχωριστών αλγορίθμων για κάθε ασθένεια, προσφέροντας σημαντικά οφέλη όσον αφορά την αποτελεσματικότητα και την ακρίβεια. Θα μπορούσε επίσης να επιταχύνει την ανάπτυξη εργαλείων τεχνητής νοημοσύνης για σπάνιες ασθένειες που επηρεάζουν μικρούς πληθυσμούς ασθενών, όπου η συλλογή χιλιάδων επισημασμένων παραδειγμάτων δεν είναι εφικτή.
Τα νοσοκομεία διαθέτουν εκατομμύρια μαγνητικές τομογραφίες του εγκεφάλου στα αρχεία τους, αλλά οι περισσότερες δεν μπορούν να αξιοποιηθούν για την εκπαίδευση συστημάτων τεχνητής νοημοσύνης, καθώς δεν υπάρχει ούτε χρόνος ούτε πόροι για την επισημείωση κάθε εικόνας. Όπως αναφέρουν οι ερευνητές, το BrainIAC εκπαιδεύτηκε αρχικά σε μη επισημασμένες μαγνητικές τομογραφίες, εντοπίζοντας μόνο του πρότυπα ανατομίας του εγκεφάλου.
Το μοντέλο ανέλυσε πάνω από 32.000 μαγνητικές τομογραφίες από ασθενείς με δέκα διαφορετικές παθήσεις, καθώς και από υγιείς εθελοντές, μαθαίνοντας να αναπαριστά τη δομή του εγκεφάλου, τις αλλαγές λόγω ηλικίας, τα μοτίβα τραυματισμών από εγκεφαλικό και την ανατομία των όγκων. Μόλις το BrainIAC κατανόησε τη γενική ανατομία του εγκεφάλου, οι ερευνητές μπόρεσαν να το προσαρμόσουν ώστε να εκτελεί νέες εργασίες με ελάχιστη επιπλέον εκπαίδευση.
Στη συνέχεια, το δοκίμασαν σε επτά εντελώς διαφορετικές ιατρικές προκλήσεις: αναγνώριση τύπου μαγνητικής τομογραφίας, εκτίμηση της ηλικίας ενός ατόμου από τη δομή του εγκεφάλου του, πρόβλεψη των ποσοστών επιβίωσης ασθενών με καρκίνο, ανίχνευση σημαντικής γενετικής μετάλλαξης σε όγκους, έγκαιρη διάγνωση της άνοιας, εκτίμηση του χρόνου που έχει περάσει από το εγκεφαλικό επεισόδιο ενός ατόμου και χαρτογράφηση ορίων όγκων.
Το μοντέλο εκτέλεσε εργασίες που είναι δύσκολες ή αδύνατες για τους γιατρούς μόνο από την ανάλυση μαγνητικών τομογραφιών. Η πρόβλεψη γενετικής μετάλλαξης σε όγκους, που κανονικά απαιτεί χειρουργείο και γενετικές εξετάσεις, πέτυχε τιμή AUC 0,79- ένα εντυπωσιακό αποτέλεσμα για διάγνωση μόνο από μαγνητικές τομογραφίες.
<glomex-integration integration-id="40599w17mggcy6o3" playlist-id="auto“>
Ο επικεφαλής ερευνητής, Δρ. Μπέντζαμιν Καν, σημειώνει ότι το μεγαλύτερο πλεονέκτημα του συστήματος αφορά τις σπάνιες ασθένειες, για τις οποίες τα δεδομένα εκπαίδευσης είναι σπάνια. Με μόλις 50 παραδείγματα, το BrainIAC έφτασε σε τιμή AUC περίπου 0,68 στην πρόβλεψη γενετικών μεταλλάξεων.
Απαιτεί ελάχιστα δεδομένα
Η ομάδα δοκίμασε το μοντέλο σε εξαιρετικά μικρά σύνολα δεδομένων, όπως αυτά που διαθέτουν οι ερευνητές για σπάνιες παιδικές παθήσεις που αφορούν μερικές εκατοντάδες παιδιά παγκοσμίως. Με μόνο τέσσερα παραδείγματα εκπαίδευσης συνολικά, το BrainIAC έμαθε να ταξινομεί τέσσερις διαφορετικούς τύπους μαγνητικής τομογραφίας. Για το γλοιοβλάστωμα– έναν από τους πιο θανατηφόρους καρκίνους του εγκεφάλου- το μοντέλο προέβλεψε αν οι ασθενείς θα επιβίωναν πάνω από έναν χρόνο. Ακόμη και με μόνο το 10% των δεδομένων εκπαίδευσης, το μοντέλο πέτυχε τιμή AUC 0,62.
Οι ερευνητές διαπίστωσαν ότι το μοντέλο επικεντρώθηκε σε συγκεκριμένες περιοχές του εγκεφάλου. Η χαρτογράφηση έδειξε ότι το BrainIAC επικεντρώθηκε στον ιππόκαμπο για την ανίχνευση άνοιας, σε ορισμένες περιοχές της λευκής ουσίας που αλλάζουν με την ηλικία και στον πυρήνα των όγκων για τις προβλέψεις καρκίνου. Οι χάρτες προσοχής ευθυγραμμίστηκαν με την γνωστή νευροανατομία, υποδηλώνοντας ότι το μοντέλο μάθαινε ιατρικά σημαντικά χαρακτηριστικά και όχι αυθαίρετα μοτίβα.
Η ομάδα εκπαίδευσε το BrainIAC με μαγνητικές τομογραφίες από πολλά ιδρύματα και το δοκίμασε σε νοσοκομεία που δεν συμμετείχαν στη μελέτη. Επίσης, παραποίησε σκόπιμα τις εικόνες με συνηθισμένα τεχνικά προβλήματα: μετατοπίσεις αντίθεσης, θολότητα, διακυμάνσεις έντασης. Το BrainIAC διαχειρίστηκε τον θόρυβο καλύτερα από άλλα μοντέλα, ειδικά σε δύσκολες εργασίες όπου τα άλλα μοντέλα απέτυχαν.
Τι δεν μπορεί να κάνει ακόμη
Προς το παρόν, το BrainIAC μπορεί να διαχειριστεί μόνο τις κλασικές μαγνητικές τομογραφίες που μελετούν καθημερινά οι ακτινολόγοι. Δεν μπορεί να χειριστεί λειτουργικές μαγνητικές τομογραφίες που δείχνουν την εγκεφαλική δραστηριότητα ή εξειδικευμένες τομογραφίες. Οι ερευνητές τονίζουν πως το BrainIAC δεν έχει σχεδιαστεί για να αντικαταστήσει εξειδικευμένα συστήματα στα μεγάλα νοσοκομεία, αλλά μειώνει δραστικά το κόστος ανάπτυξης συστημάτων ΤΝ για σπάνιες παθήσεις σε περιοχές με περιορισμένους πόρους. Η ομάδα ανέφερε επίσης ότι το μοντέλο και ο κώδικας είναι δημόσια διαθέσιμα για ερευνητική χρήση.
Τα ευρήματα της μελέτης δημοσιεύθηκαν στο επιστημονικό περιοδικό Nature Neuroscience.
Πηγή: Studyfinds, ΕΡΤ