Penggunaan kecerdasan buatan dalam membuat diagnosa sudah dekat. Dan bahkan lebih dekat daripada kedengarannya. Memang, segera dua tim peneliti di kedua sisi Atlantik berhasil memecahkan masalah "kotak hitam" AI dalam kedokteran.
Masalah dengan kotak hitam adalah bahwa sistem AI ketika memberikan hasil, dan dalam pengobatan itu mendiagnosis dan merekomendasikan terapi lebih lanjut, tidak memberikan alasan bahwa, khususnya, memerlukan Badan Pengawas Obat dan Makanan AS (FDA) .
Pada Desember tahun lalu, Rumah Sakit Umum Massachusetts (Massachusetts General Hospital) melaporkan bahwa ia mampu mengajarkan AI untuk "menjelaskan" diagnosis perdarahan intrakranial. Lima bulan sebelumnya, perusahaan Inggris DeepMind, diakuisisi oleh Google pada tahun 2014, mengumumkan terobosan serupa dalam diagnosis penyakit mata.
Tugas utama kedua tim adalah mengajarkan sistem untuk mengevaluasi gambar pemindai dan membuat keputusan seperti yang dilakukan dokter spesialis.
Atlas tanda
Dokter di Departemen Radiologi Rumah Sakit Massachusetts, bersama dengan mahasiswa pascasarjana dari Harvard Engineering and Applied Sciences, mengembangkan model AI yang dapat mengklasifikasikan perdarahan intrakranial, menurut siaran pers di situs web rumah sakit. Untuk melatih sistem, tim menggunakan 904 CT scan (computed tomography), yang masing-masing berisi sekitar 40 gambar individu. Sebuah tim yang terdiri dari lima neuroradiologis menandai masing-masing gambar untuk kehadiran satu dari lima subtipe perdarahan, berdasarkan lokasi, serta tidak adanya perdarahan per se. Untuk meningkatkan akurasi sistem pembelajaran yang mendalam ini, tim telah mengintegrasikan tindakan yang meniru proses analisis gambar oleh seorang ahli radiologi, yang meliputi penyesuaian parameter seperti kontras dan kecerahan untuk mengungkapkan perbedaan tersembunyi, dan menggulir bagian-bagian yang berdekatan dari CT scan untuk menentukan apakah sesuatu benar-benar muncul. dalam satu gambar, mencerminkan masalah nyata atau tidak berbicara tentang distorsi apa pun.
Segera setelah membuat model sistem, para peneliti mengujinya dengan dua set CT scan terpisah: 100 scan dengan perdarahan intrakranial dan 100 tanpa itu, diambil sebelum pengembangan sistem, dan 79 scan dengan perdarahan dan 117 tanpa itu, diambil setelah model dibuat. Dalam kasus dataset pertama yang diambil sebelumnya, model itu akurat dalam menentukan dan mengklasifikasikan perdarahan intrakranial pada tingkat analisis yang dilakukan oleh ahli radiologi. Saat menganalisis set kedua, dia membuktikan bahwa itu bisa lebih baik daripada orang yang tidak ahli dalam bidang ini.
Untuk mengatasi masalah "kotak hitam", tim membuat sistem memeriksa dan menyimpan gambar-gambar dari set data pelatihan yang paling jelas mewakili gejala karakteristik masing-masing dari lima subtipe perdarahan. Dengan menggunakan atlas fitur pembeda ini, sistem dapat mewakili sekelompok gambar yang mirip dengan yang digunakan dalam analisis pemindaian CT untuk menjelaskan dengan alasan apa keputusan diambil.
Ilustrasi ini menunjukkan kemampuan sistem untuk menjelaskan diagnosis perdarahan subaraknoid (kiri atas) dan intraventrikular (kiri bawah), menunjukkan gambar dengan gejala yang sama (kanan) dari atlas gambar yang digunakan untuk melatih sistem.
“Pengenalan cepat perdarahan intrakranial, diikuti dengan perawatan yang tepat segera pada pasien dengan gejala stroke akut, dapat meminimalkan efek kesehatan yang parah dan mencegah kematian,” kata rekan penulis penelitian, ahli radiologi Michael Leo. - Di banyak laboratorium tidak ada ahli saraf yang terlatih khusus, terutama pada malam hari atau akhir pekan, yang mengharuskan non-spesialis untuk memutuskan apakah gejala pasien disebabkan oleh perdarahan atau tidak. Ketersediaan "pendapat kedua virtual" yang andal, yang dilatih oleh ahli saraf, dapat meningkatkan hasil non-spesialis dan membantu memastikan bahwa pasien menerima perawatan yang tepat. "
Peta segmentasi jaringan
Pada bulan Agustus 2018, perusahaan Inggris DeepMind menerbitkan sebuah penelitian tentang sumber daya Obat-obatan Alam di mana ia menyatakan telah memecahkan masalah “kotak hitam” dengan mengembangkan model AI yang dapat beroperasi pada tingkat medis profesional, yang, bagaimanapun, tidak mengecualikan orang dari proses perawatan, tetapi, sebaliknya, membantu dokter menjadi lebih efektif, seperti dalam kasus yang dijelaskan di atas.
Menurut sebuah penelitian yang diterbitkan , tim DeepMind bekerja di bidang penyakit mata bersama dengan pusat untuk memerangi penyakit mata Rumah Sakit Mata Moorfields dan mengembangkan model untuk diagnosis gambar 3D tomografi koheren optik (OCT). Itu mungkin untuk membuka "kotak hitam" dengan membuat dua jaringan saraf yang terpisah bekerja bersama. Yang pertama, segmentasi menggunakan arsitektur konvolusional tiga dimensi (U-Net), mengubah pemindaian OCT mentah menjadi peta segmentasi jaringan mata. Untuk pelatihan, 877 pemindaian OCT klinis digunakan, masing-masing memiliki 128 bagian, hanya tiga orang yang secara manual disegmentasi. Jaringan segmentasi menemukan berbagai gejala (perdarahan, lesi fokal, dll.) Dan membuat peta. Menurut Mustafa Suleiman, kepala Applied AI, di blog perusahaan, ini membantu dokter mata mendapatkan akses ke bagaimana sistem "berpikir".
Jaringan saraf kedua, yang mengklasifikasikan, menganalisis peta yang diusulkan dan memberikan diagnosis dan rekomendasi perawatan kepada staf yang merawat. Pengembang menganggap secara fundamental penting bahwa jaringan menunjukkan rekomendasi sebagai persentase, yang memungkinkan dokter untuk mengevaluasi "kepercayaan" sistem dalam analisisnya. "Fitur ini sangat penting, karena dokter mata memainkan peran kunci dalam membuat keputusan tentang perawatan yang akan diterima pasien," kata Mustafa Suleiman. Menurutnya, fitur utama dari sistem, yang membuatnya berguna dalam praktik, adalah kesempatan bagi dokter untuk mempelajari rekomendasi AI dengan cermat. Sistem ini dirancang untuk membantu mencegah hilangnya penglihatan total dengan mempercepat diagnosis penyakit seperti retinopati diabetik, degenerasi makula terkait usia dan beberapa lusin penyakit lainnya.
Deskripsi ilustrasi. Memperoleh perhitungan menggunakan kompleks jaringan segmentasi dan klasifikasi. Ilustrasi menunjukkan bagaimana kompleks 5 sampel jaringan tersegmentasi dan 5 sampel jaringan klasifikasi digunakan bersama untuk membuat 25 perkiraan untuk satu pemindaian. Setiap jaringan sampel yang tersegmentasi pada awalnya memberikan peta asumsi berdasarkan segmentasi OCT yang sedang diselidiki. Untuk masing-masing dari lima asumsi, pola jaringan klasifikasi memberikan probabilitas untuk setiap penanda. Di sini, penanda lokasi atrofi disajikan secara rinci.
Kedua tim peneliti menyatakan harapan bahwa sistem yang dikembangkan oleh mereka tidak akan menggantikan dokter, tetapi akan membantu mereka menjadi lebih efektif dalam membuat keputusan, yang berarti mereka akan membantu untuk membantu lebih banyak pasien dalam waktu singkat. Langkah selanjutnya adalah menggunakan perkembangan langsung di pemindai rumah sakit.