Radyologlar yakın gelecekte beyin tümörlerini tespit etmek için yapay zekayı kullanabilecek

Biology Methods and Protocols'da yayınlanan "Deep learning and transfer learning for brain tumor detection and classification" başlıklı bir makalede, bilim insanlarının beyin tümörleri ile sağlıklı dokular arasında ayrım yapmak için yapay zeka (AI) modellerini eğitebileceği belirtiliyor. AI modelleri, MRI görüntülerinde beyin tümörlerini neredeyse bir insan radyolog kadar iyi tespit edebiliyor.

Araştırmacılar, AI'yı tıbba uygulamada istikrarlı bir ilerleme kaydetti. AI, teknisyenlerin tıbbi görüntüleri işlemesini beklemenin hasta tedavisini geciktirebileceği radyolojide özellikle umut vericidir. Evrişimsel sinir ağları, araştırmacıların tanıma ve sınıflandırma için büyük görüntü kümeleri üzerinde AI modellerini eğitmelerine olanak tanıyan güçlü araçlardır.

Bu şekilde, ağlar görüntüler arasında ayrım yapmayı "öğrenebilir". Ayrıca "öğrenmeyi aktarma" yeteneğine de sahiptirler. Bilim insanları, bir görev için eğitilmiş bir modeli yeni ama ilgili bir proje için yeniden kullanabilirler.

Kamuflajlı hayvanları tespit etmek ve beyin tümörlerini sınıflandırmak çok farklı türde görüntüler gerektirse de araştırmacılar, doğal kamuflaj sayesinde saklanan bir hayvanla, çevresindeki sağlıklı dokuyla bütünleşen bir grup kanser hücresi arasında bir paralellik olduğunu öne sürdüler.

Genellemenin öğrenilmiş süreci (farklı nesneleri tek bir tanımlayıcı altında gruplandırma) ağın kamufle edilmiş nesneleri nasıl tespit edebileceğini anlamak için önemlidir. Bu tür bir öğrenme özellikle tümörleri tespit etmek için yararlı olabilir.

Kamuya açık MRI verilerinin retrospektif olarak incelendiği bu çalışmada araştırmacılar, sinir ağı modellerinin beyin kanseri verileri üzerinde nasıl eğitilebileceğini incelediler ve ağın tümör tespit becerilerini geliştirmek için gizlenmiş hayvanları tespit etmek üzere benzersiz bir transfer öğrenme adımı tanıttılar.

Araştırmacılar, halka açık çevrimiçi kanser veri kaynaklarından elde edilen MRI'ları ve sağlıklı beyinlerin kontrol görüntülerini (Kaggle, NIH Kanser Görüntü Arşivi ve Boston'daki VA Sağlık Sistemi dahil) kullanarak, ağları sağlıklı ve kanserli MRI'ları ayırt edebilecek, kanserden etkilenen alanı ve kanserin prototipik görünümünü (kanser tümör türü) belirleyebilecek şekilde eğittiler.

Araştırmacılar, ağların sadece bir veya iki yanlış negatifle normal beyin görüntülerini belirlemede ve kanserli ve sağlıklı beyinleri ayırt etmede neredeyse mükemmel olduğunu buldu. İlk ağ beyin kanserini tespit etmede ortalama %85,99 doğruluk gösterirken, ikinci ağ %83,85 doğruluk gösterdi.

Ağın temel bir özelliği, kararlarının açıklanabileceği birden fazla yol olmasıdır; bu da tıp uzmanları ve hastaların modellere olan güvenini artırır. Derin modeller genellikle yeterince şeffaf değildir ve alan olgunlaştıkça, ağların kararlarını açıklama yeteneği önemli hale gelir.

Bu araştırma sayesinde ağ artık bir tümörün pozitif veya negatif olarak sınıflandırılmasında belirli alanları gösteren görüntüler üretebilir. Bu, radyologların kararlarını ağın sonuçlarıyla karşılaştırmalarına olanak tanıyarak, sanki yakınlarda bir tümör olduğunu gösteren MRI alanını işaret eden ikinci bir "robotik" radyolog varmış gibi güven katacaktır.

Araştırmacılar, gelecekte yapay zekanın klinik uygulamada şeffaf bir destekleyici rol oynayabilmesi için kararları sezgisel yollarla tanımlanabilen derin ağ modelleri oluşturmaya odaklanmanın önemli olacağına inanıyorlar.

Ağlar tüm vakalarda beyin tümörü türleri arasında ayrım yapmada zorluk çekse de, verilerin ağ içinde nasıl temsil edildiği konusunda içsel farklılıklar olduğu açıktı. Ağlar kamuflajı tanımak üzere eğitildikçe doğruluk ve netlik arttı. Transfer öğrenimi doğruluğun artmasına yol açtı.

Test edilen en iyi model standart insan tespitinden %6 daha az doğru olsa da, çalışma bu öğrenme paradigması aracılığıyla elde edilen niceliksel iyileştirmeyi başarıyla göstermektedir. Araştırmacılar, bu paradigmanın açıklanabilirlik yöntemlerinin kapsamlı uygulamasıyla bir araya geldiğinde gelecekteki klinik AI araştırmalarına gereken şeffaflığı getirmeye yardımcı olacağına inanmaktadır.

Makalenin baş yazarı Arash Yazdanbakhsh, "Yapay zekadaki ilerlemeler, desenleri daha doğru bir şekilde tespit etmeyi ve tanımayı mümkün kılıyor" dedi.

"Bu da görüntü tabanlı tanılama ve taramaları iyileştirir, ancak aynı zamanda AI'nın bir görevi nasıl gerçekleştirdiği hakkında daha fazla açıklama gerektirir. AI'nın açıklanabilirliği için yapılan baskı, genel olarak insan-AI etkileşimlerini iyileştirir. Bu, özellikle tıp uzmanları ve tıbbi amaçlar için tasarlanmış AI arasında önemlidir.

"Açık ve açıklanabilir modeller, tanıya yardımcı olmak, hastalığın ilerlemesini izlemek ve tedaviyi izlemek için daha uygundur."