Noul wrapper TRUECAM îmbunătățește încrederea în inteligența artificială medicală
Inteligența artificială (IA) medicală se confruntă cu o provocare fundamentală: cuantificarea incertitudinii.
Rețelele neuronale artificiale sunt adesea nesigure în privința limitelor datelor lor de antrenament și pot deveni excesiv de sigure atunci când sunt confruntate cu inputuri necunoscute. De exemplu, dacă antrenezi o rețea neuronală să distingă mamifere africane și apoi îi prezinți o imagine a unui jaguar sud-american – un animal pe care nu l-a întâlnit niciodată – modelul nu poate spune „necunoscut”. În schimb, ar putea declara cu încredere că jaguarul este un leopard.
Publicat pe 23 iunie în Nature Biomedical Engineering, un grup de cercetători de la Vanderbilt Health și centre din Hong Kong a creat un cadru versatil de IA conștient de incertitudine, adaptabil ca wrapper pentru sistemele de IA în patologia digitală. (Un wrapper de IA funcționează ca un strat de interfață care personalizează, formatează și automatizează modul în care utilizatorii interacționează cu inteligența de bază.) În principal, ei demonstrează wrapperul numit TRUECAM în referință la subtipizarea cancerului pulmonar non-mici celule (NSCLC) utilizând imagini de tip whole-slide.
TRUECAM este conceput nu doar pentru identificarea inputurilor în afara domeniului, ci și pentru a filtra regiunile neinformative – țesut normal sau slab colorat, de exemplu – care ar putea distorsiona inferențele la nivelul slide-ului. Conform lucrării, aceste capacități complementare permit TRUECAM să ofere garanții de acuratețe personalizabile pentru clasificările subtipurilor de cancer.
Echipa a testat TRUECAM ca wrapper pentru o arhitectură de IA larg utilizată pentru subtipizarea NSCLC și patru modele de bază mai noi de patologie digitală. Testele au implicat imagini whole-slide de NSCLC din două consorții geografice diverse de cercetare a cancerului, un set construit de imagini semnificative clinic în afara domeniului și o secvență de imagini din viața reală de la Spitalul Queen Mary din Hong Kong. Testarea s-a extins și la țesuturi tumorale din multiple organe, cum ar fi sânul, creierul și rinichiul.
Comparativ cu alte soluții pentru IA de patologie digitală de încredere, autorii afirmă că TRUECAM nu doar că performează cu o acuratețe mai mare, dar o face și relativ rapid și eficient, fără a adăuga costuri substanțiale.
Obținerea unei IA de încredere în domeniul medical este esențială pentru a realiza potențialul acestei tehnologii transformative. Nu doar că profilul clinic al unui pacient poate ieși din domeniul datelor de antrenament ale modelului, dar și alte surse de variație, cum ar fi metoda instituției de colectare și colorare a specimenelor sau artefactele și neregulile care apar în pregătirea țesuturilor, pot determina modelul să ajungă cu încredere la o concluzie greșită. TRUECAM oferă o soluție cuprinzătoare, versatilă și eficientă pentru aceste probleme potențial nesigure.
TRUECAM s-a dovedit a fi mai precis și eficient decât abordările existente pentru cuantificarea incertitudinii în patologia digitală, detectând în mod fiabil inputurile în afara domeniului, abținându-se de la clasificarea inputurilor dificile (permițând deferirea la patologii), livrând rate de eroare care îndeplinesc constant țintele de acuratețe predefinite, îmbunătățind echitatea între sexe și rase și dovedindu-se generalizabil la seturi de date dincolo de cancerul pulmonar.
„Poate că cea mai surprinzătoare constatare a noastră”, a spus Yan, „a fost că, având în vedere că patch-urile ambigue și regiunile normale tind să domine o slide de patologie, eliminarea țintită de zgomot a TRUECAM și focusul său rezultat pe patch-uri comparativ mici dintr-o imagine îi permite să progreseze eficient către o clasificare mai precisă și mai echitabilă a subtipurilor de cancer, modelul concentrându-se pe aceleași regiuni pe care le identifică patologii ca fiind relevante din punct de vedere diagnostic. Acest lucru depășește abordările actuale, iar implicațiile practice par să aibă o importanță largă.”
Printre autorii principali din Hong Kong se numără, de la Universitatea Politehnică din Hong Kong, autorul principal și autor corespunzător Xiaoge Zhang, și studentul la doctorat Tao Wang, iar de la Universitatea din Hong Kong, autorul corespunzător Maximus C.F. Yeung. De asemenea, din Vanderbilt Health face parte Fedaa Najdawi.
