O nouă metodă bazată pe inteligență artificială poate îmbunătăți identificarea tumorilor cerebrale din scanările RMN
O echipă de cercetători a dezvoltat o nouă metodă bazată pe inteligență artificială, capabilă să îmbunătățească semnificativ detectarea și clasificarea tumorilor cerebrale din scanările RMN, obținând o precizie superioară sistemelor de diagnostic convenționale.
Concluziile, publicate într-un studiu în revista Healthcare Analytics, sugerează că integrarea unor modele avansate de inteligență artificială poate îmbunătăți semnificativ performanța diagnostică. Deși metodele tradiționale bazate pe rețele neuronale convoluționale (CNN) au arătat rezultate promițătoare în analiza imaginilor medicale, cercetătorii au descoperit că combinarea CNN-urilor cu rețelele LSTM (Long Short-Term Memory) produce rezultate și mai precise.
Echipa, condusă de cercetători de la Universitatea din Sharjah, a proiectat un sistem în două etape pentru analiza imaginilor RMN ale creierului. În prima etapă, modelul analizează un RMN pentru a determina dacă acesta conține o tumoră. Dacă o tumoră este detectată, sistemul trece la a doua etapă, în care clasifică tumora în una dintre cele trei tipuri: gliom, meningiom sau tumoră pituitară.
„Experimentele arată că performanța modelului se îmbunătățește atunci când se trece de la CNN standard la CNN cu LSTM și apoi la arhitecturi îmbunătățite cu atenție”, au scris cercetătorii. „În ambele etape, mecanismele de atenție au îmbunătățit reprezentarea caracteristicilor și precizia clasificării, captând modele globale mai informative în imaginile RMN.”
Printre modelele evaluate, arhitectura CNN-LSTM îmbunătățită cu un mecanism de atenție s-a dovedit a fi deosebit de eficientă în distingerea diferitelor tipuri de tumori. Între timp, modelul Vision Transformer a obținut cele mai bune rezultate în diferențierea scanărilor tumorale de cele non-tumorale. Autorii afirmă: „Performanța puternică a modelului CNN cu LSTM și atenție în setările multiclass, împreună cu precizia ridicată a Vision Transformer în setarea binară, indică faptul că aceste arhitecturi au potențialul de a susține instrumente de screening timpurie fiabile în fluxurile de lucru clinice.”
Studiul reflectă fluxurile de lucru clinice reale și permite o comparație corectă între diferitele modele de învățare profundă folosite pentru detectarea tumorilor cerebrale. În loc să catalogheze arhitecturi și să raporteze metrici de performanță agregate, cadrul este conceput pentru a examina modul în care diferențele în extracția caracteristicilor spațiale, modelarea temporală și agregarea contextului global influențează performanța diagnostică în condiții clinice identice.
Prin evaluarea performanței modelului într-un pipeline de preprocesare standardizat și configurație a sarcinii, studiul oferă o înțelegere structurată a modului în care familiile distincte de modele captează și reprezintă informațiile relevante pentru tumori. Această abordare facilitează comparații semnificative între modele și evidențiază punctele forte complementare ale diferitelor paradigme arhitecturale, fără a introduce o arhitectură nouă.
Rezultatele sunt încurajatoare pentru eforturile de îmbunătățire a acurateței în detectarea tumorilor cerebrale. Acestea sunt publicate într-un context în care tumorile cerebrale rămân o cauză semnificativă a mortalității legate de cancer la nivel mondial, fiind responsabile pentru aproximativ un sfert de milion de decese anual, conform Organizației Mondiale a Sănătății (OMS).
Autorii și-au bazat concluziile pe analiza a 7023 de imagini RMN, care includ trei categorii de tumori, precum și imagini ale indivizilor sănătoși. Așa cum notează ei, „pentru a asigura transparența și reproducibilitatea, toate experimentele urmează un protocol de evaluare clar definit la nivel de imagine.” De asemenea, ei recunosc că, din cauza indisponibilității constante a identificatorilor compleți ai pacienților în seturile de date sursă, nu se poate garanta o separare strictă la nivel de pacient.
Pentru a asigura consistența între sursele de date, a fost aplicat un pipeline de preprocesare unificat pentru toate imaginile. Acesta a inclus redimensionarea scanărilor la o rezoluție de intrare fixă, normalizarea intensității și egalizarea contrastului, minimizând astfel variațiile specifice setului de date și permițând o evaluare mai fiabilă a modelului.
Detectarea tumorilor cerebrale în cele mai timpurii etape posibile poate îmbunătăți semnificativ rezultatele tratamentului, subliniind semnificația studiului. Tumorile cerebrale continuă să reprezinte o problemă gravă de sănătate la nivel mondial, iar progresele în acuratețea și viteza diagnosticului pot îmbunătăți prognoza pacienților și îngrijirea medicală.
Autorii raportează că sistemul lor este eficient din punct de vedere computațional, necesitând o fracțiune de secundă pentru fiecare scanare în scopul detectării și clasificării tumorilor cerebrale. Așa cum notează ei, „sistemul a arătat timpi de inferență eficienți, cu o medie de 21,6 ms pentru sarcini binare și 17,6 ms pentru sarcini multiclass, susținând adecvarea acestuia pentru aplicații clinice în timp real.” Totuși, evaluarea robusteții modelului în condiții de RMN de rezoluție scăzută sau extrem de variabile rămâne o direcție importantă pentru lucrările viitoare.
În general, studiul oferă o comparație echilibrată și cuprinzătoare a mai multor abordări de învățare profundă de vârf pentru diagnosticul tumorilor cerebrale. Deși sunt necesare validări suplimentare înainte de implementarea clinică, rezultatele demonstrează potențialul considerabil al tehnicilor moderne de inteligență artificială de a îmbunătăți acuratețea, viteza și fiabilitatea detectării tumorilor cerebrale din scanările RMN. Cercetătorii subliniază că „focusul nostru a fost pe performanța de clasificare a diferitelor arhitecturi de învățare profundă sub un protocol unificat și relevant din punct de vedere clinic.”
Ei sugerează, de asemenea, că cercetările viitoare ar putea incorpora instrumente de interpretabilitate, cum ar fi tehnici de atribuție a caracteristicilor și vizualizarea la nivel de leziune, pentru a oferi o mai bună înțelegere a procesului decizional al modelului, întărind legăturile dintre predicțiile AI și patologia tumorii și crescând încrederea clinicianilor în tehnologie. În timp ce rezultatele sunt încurajatoare, autorii recunosc mai multe limitări care ar trebui abordate în studiile viitoare. „Experimentele au fost realizate folosind seturi de date RMN disponibile public, care s-ar putea să nu reprezinte pe deplin diversitatea reală a pacienților, spitalelor și echipamentelor de imagistică”, explică ei.
Pentru a atenua această problemă, cercetătorii au folosit tehnici pentru a crește diversitatea imaginilor de antrenament și a îmbunătăți performanța modelului pe cazuri anterior necunoscute. Cu toate acestea, ei subliniază că teste suplimentare pe seturi de date clinice mai mari și mai diverse vor fi esențiale înainte ca sistemul să poată fi utilizat în practica medicală de rutină.
