AI amžiuje daugelis sveikatos priežiūros paslaugų teikėjų svajoja apie skaitmeninį asistentą, neapsunkintą nuovargio, darbo krūvio, perdegimo ar alkio, kuris galėtų pateikti greitą antrąją nuomonę apie medicininius sprendimus, įskaitant diagnozes, gydymo planus ir receptus.
Šiandien tokiems padėjėjams kurti yra galima sukurti skaičiavimo galią ir AI žinias. Tačiau specialiai apmokytų, labai patyrusių patologų, radiologo ar kito specialisto pakartojimas nėra lengvas ar tiesus. Visų pirma, AI algoritmams reikalingas didelis kiekis duomenų, kad būtų sukurti labai tikslūs modeliai. Ir kuo aukštesnės kokybės duomenys, tuo geriau.
Visų pirma patologams, metodas, vadinamas „Pixel-Wise“ rankiniu būdu, gali būti naudojamas labai sėkmingai mokant AI modelius, kad būtų galima tiksliai diagnozuoti specifines ligas iš audinių biopsijos vaizdų. Tačiau šis metodas reikalauja, kad apmokytas patologas būtų komentuotas kiekviename pikselyje audinių biopsijos vaizde, kuriame aprašomi dominantys regionai mašininio mokymosi modelio mokymui. Šiuo atveju patologų anotavimo našta yra akivaizdi ir riboja kokybės duomenų, kuriuos galima sukurti modelio mokymui, kiekį, taip ribojant galutinio modelio diagnostinį tikslumą.
Siekdama išspręsti šį iššūkį, tyrėjų komanda, kuriai vadovauja „Medsight AI“ tyrimų laboratorijos mokslininkai, pirmoji Kinijos medicinos universiteto ligoninė ir Nacionalinis jungtinis inžinerijos tyrimų centras, skirtas imunologinių odos ligų teranostikai Šenjange, Kinijoje, Kinija sukūrė kiekvieno biopsijos vaizdų duomenų annozicijos potvarkio su susidomėjimu būdu, kai reikia pažymėti, kad susidomėjimas yra biopsija, su akių stebėjimo vaizdais, žymiai sumažindama naštą rankiniu būdu anototatizuojant kiekvieno intereso testo bioopsijos vaizdą.
Tyrėjai paskelbė savo tyrimą Gamtos ryšiai liepos 1 d.
„To obtain pathologists' expertise with minimal pathologist workload, … we collect(ed) the image review patterns of pathologists (using) eye-tracking devices. Simultaneously, we design(ed) a deep learning system, Pathology Expertise Acquisition Network (PEAN), based on the collected visual patterns, which can decode pathologists' expertise (and) diagnose (whole slide images),” said Xiaoyu Cui, associate professor at the „Medsight AI“ tyrimų laboratorija Medicinos ir biologinės informacijos inžinerijos koledže šiaurės rytų universitete ir vyresnysis tiriamojo dokumento autorius.
Tiksliau, komanda iškėlė hipotezę, kad vaizdiniai duomenys, gauti naudojant akių stebėjimo įrenginius, o patologai apžvelgia audinių biopsijos vaizdus, gali išmokyti AI modelį, kuris sritis ypač domina biopsijos vaizdą, suteikdami daug mažiau naštą alternatyvą pikselio proto anotacijai. Tokiu būdu komanda tikėjosi, kad patologų kompetencija ištrauks daug mažiau daug darbo reikalaujančių, ir sugeneruos daug daugiau duomenų, kad būtų galima sukurti ir mokyti tikslesnius giluminio mokymosi diagnostikos modelius.
Siekdama to pasiekti, komanda surinko patologų peržiūros duomenis, naudodamiesi pagal užsakymą sukurtą programinę įrangą ir akių stebėjimo įrenginį, kuriame pranešta apie patologų akių judesius, padidinant ir panaudojant viso slidumo audinio vaizdus bei kiekvieno pavyzdžio diagnozes. Iš viso buvo apžvelgti 5881 audinio mėginiai, apimantys penkis skirtingus odos pažeidimų tipus.
Žemės sistema apskaičiuoja visų audinių mėginio sričių „kompetencijos vertes“, imituodama patologų dominančius regionus, palygindama akių stebėjimo duomenis su tų pačių audinių biopsijos vaizdų rankinio pikselių anotacijos duomenimis. Remdamiesi šiais mokymo duomenimis, žemės modeliai galėtų numatyti įtartinus kiekvieno biopsijos vaizdo regionus, kad būtų galima imituoti patologų kompetenciją (PEAN-I) arba mokyti modelius, kad būtų galima klasifikuoti audinių mėginių diagnozes (žemės ir C).
Pažymėtina, kad „Pean-C“ pasiekė 96,3% tikslumą, o plotas po kreive (AUC) yra 0,992, o tai matuoja, kaip gerai modelis gali atskirti teigiamus ir neigiamus mėginius, kai klasifikuojant mėginius, kuriuose jis nebuvo išmokytas, ir buvo išmokyta 93,0%, o AUC-0,984-0,984. „Pean-C“ sugebėjo peržengti antrosios geriausios AI klasifikacijos tikslumą 5,5%, naudojant tą patį išorinį bandymų rinkinį.
„Pean-I“ sistema, imituodama patologų kompetenciją, gali papildomai pasirinkti dominančius regionus, kurie gali padėti kitiems mokymosi modeliams tiksliau diagnozuoti audinių vaizdus. Kai trys kiti mokymosi modeliai, moliuskas, abmilas ir transliavimas, buvo mokomi audinių mėginių vaizdų, sugeneruotų „Pean-I“, žymiai padidėjo tikslumas ir AUC, atitinkamai punktai, atitinkamai 0,0053 ir 0,0161, kaip nustatoma suporuotais T testais.
„Žemė yra ne tik nauja giliai mokymosi diagnozės sistema, bet ir novatoriška paradigma, turinti galimybę revoliucionizuoti dabartinę intelektualiųjų medicinos tyrimų būklę. Jis gali išgauti ir kiekybiškai įvertinti žmogaus diagnostikos patirtį, taip įveikdamas įprastus pagrindinių modelių trūkumus, tokius kaip didelis žmogiškųjų išteklių vartojimas ir žemas gydytojų pasitikėjimas”,-sakė CU.
Tyrimo komanda pripažįsta, kad jie sukūrė tik dalį „Pean“ galimybių padėti sveikatos priežiūros paslaugų teikėjams klasifikuoti ligos ir pažeidimą. Ateityje autoriai norėtų pritaikyti Žemę įvairioms paskesnėms užduotims, įskaitant individualizuotą diagnozę, bioninius žmones ir daugiamodalinius didelius numatomuosius modelius.
„Kalbant apie galutinį tikslą, mes siekiame sukurti unikalų„ Replica Digital Human “kiekvienam patyrusiam patologui, naudojant žemės ir dideles kalbos modelius, … palengvina du pagrindiniai Peano pranašumai: mažos duomenų rinkimo išlaidos ir pažengęs konceptualus dizainas, įgalinantis lengvą, plataus masto daugiarodalinį duomenų rinkimą“,-teigė CU.
Pateikė „Medsight AI“ tyrimų laboratorija