Эксперт по медицинской диагностике, ассистент врача и картограф — все это справедливые названия для модели искусственного интеллекта, разработанной исследователями Института передовой науки и технологий Бекмана.
Их новая модель точно идентифицирует опухоли и заболевания на медицинских изображениях и запрограммирована для объяснения каждого диагноза с помощью визуальной карты. Уникальная прозрачность инструмента позволяет врачам легко следовать его логике, перепроверять точность и объяснять результаты пациентам.
Идея состоит в том, чтобы помочь выявить рак и болезнь на самых ранних стадиях — подобно крестику на карте — и понять, как было принято решение. Наша модель поможет упростить этот процесс и облегчить его как врачам, так и пациентам «.
Сурья Сенгупта, ведущий автор исследования и старший научный сотрудник Института Бекмана
Кошки и собаки, лук и людоеды
Впервые концептуализированный в 1950-х годах искусственный интеллект — концепция, согласно которой компьютеры могут научиться адаптироваться, анализировать и решать проблемы, как это делают люди, — получил признание в домашних условиях, отчасти благодаря ChatGPT и его расширенному семейству простых в использовании инструментов.
Машинное обучение, или ML, является одним из многих методов, используемых исследователями для создания систем с искусственным интеллектом. ML для искусственного интеллекта — это то же, что обучение вождению для 15-летнего подростка: контролируемая среда для практики принятия решений, адаптации к новым условиям и изменения маршрута после ошибки или неправильного поворота.
Глубокое обучение -; машинное обучение более мудрое и привычное по сравнению с обычным -; может переваривать большие объемы информации для принятия более тонких решений. Модели глубокого обучения черпают свою решающую силу в самом близком к человеческому мозгу компьютерном моделировании, которым мы располагаем: глубоких нейронных сетях.
Эти сети -; точно так же, как у людей, лука и огров -; имеют слои, что затрудняет навигацию по ним. Чем более многослойна или нелинейна интеллектуальная сеть, тем лучше она выполняет сложные, человекоподобные задачи.
Рассмотрим нейронную сеть, обученную различать изображения кошек и собак. Модель обучается, просматривая изображения в каждой категории и записывая их отличительные особенности (например, размер, цвет и анатомию) для дальнейшего использования. Со временем модель научится следить за усами и кричать «Доберман» при первых признаках отвисания языка.
Но глубокие нейронные сети не безошибочны — во многом как переусердствовавшие малыши, сказал Сенгупта, изучающий биомедицинскую визуализацию на факультете электротехники и вычислительной техники Университета Иллинойса Урбана-Шампейн.
«Иногда они делают это правильно, возможно, даже в большинстве случаев, но это не всегда может быть по правильным причинам», — сказал он. «Я уверен, что каждый знает ребенка, который однажды увидел коричневую четвероногую собаку, а затем подумал, что каждое коричневое четвероногое животное — это собака».
Проблема Сенгупты? Если вы спросите малыша, как он принял решение, он, вероятно, скажет вам.
«Но вы не можете спросить глубокую нейронную сеть, как она пришла к ответу», — сказал он.
Проблема черного ящика
Какими бы изящными, квалифицированными и быстрыми ни были глубокие нейронные сети, они изо всех сил пытаются овладеть основополагающим навыком, которому обучают студентов старших курсов математических факультетов: показывать свою работу. Это называется проблемой черного ящика искусственного интеллекта, и она годами ставила ученых в тупик.
На первый взгляд, добиться признания от неохотно действующей сети в том, что она приняла померанского шпица за кошку, не кажется невероятно важным. Но тяжесть черного ящика усиливается по мере того, как рассматриваемые изображения становятся более изменяющими жизнь. Например: рентгеновские снимки маммограммы, которые могут указывать на ранние признаки рака молочной железы.
Процесс расшифровки медицинских изображений выглядит по-разному в разных регионах мира.
«Во многих развивающихся странах наблюдается нехватка врачей и длинная очередь пациентов. Искусственный интеллект может быть полезен в этих сценариях», — сказал Сенгупта.
Когда время и таланты востребованы, автоматизированный скрининг медицинских изображений может быть использован в качестве вспомогательного инструмента -; никоим образом не заменяя навыки и опыт врачей, сказал Сенгупта. Вместо этого модель искусственного интеллекта может предварительно сканировать медицинские изображения и отмечать те, которые содержат что-то необычное -; например, опухоль или ранние признаки заболевания, называемые биомаркерами -; для осмотра врачом. Этот метод экономит время и может даже повысить производительность человека, которому поручено считывать результаты сканирования.
Эти модели работают хорошо, но их поведение у постели больного оставляет желать лучшего, когда, например, пациент спрашивает, почему система искусственного интеллекта отметила изображение как содержащее (или не содержащее) опухоль.
Исторически исследователи отвечали на подобные вопросы с помощью множества инструментов, разработанных для расшифровки черного ящика снаружи. К сожалению, исследователи, использующие их, часто сталкиваются с тем же бедственным положением, что и несчастный подслушивающий, прислонившийся к запертой двери с пустым стаканом у уха.
«Было бы намного проще просто открыть дверь, зайти в комнату и послушать разговор из первых уст», — сказал Сенгупта.
Чтобы еще больше усложнить дело, существует множество вариантов этих инструментов интерпретации. Это означает, что любой данный черный ящик может быть интерпретирован «правдоподобными, но разными» способами, сказал Сенгупта.
«А теперь вопрос в том, какой интерпретации вы верите?» сказал он. «Есть вероятность, что на ваш выбор повлияет ваша субъективная предвзятость, и в этом заключается основная проблема традиционных методов».
Решение Сенгупты? Совершенно новый тип модели искусственного интеллекта, которая каждый раз интерпретирует саму себя; которая объясняет каждое решение вместо того, чтобы просто сообщать о бинарности «опухоль против неопухоли», — сказал Сенгупта.
Другими словами, стакан для воды не нужен, потому что дверь исчезла.
Отображение модели
Йог, осваивающий новую позу, должен практиковать ее неоднократно. Модель искусственного интеллекта, обученная отличать кошек от собак, изучает бесчисленные изображения обоих четвероногих.
Модель искусственного интеллекта, функционирующая как ассистент врача, выращивается на рационе из тысяч медицинских изображений, некоторые из которых содержат аномалии, а некоторые — нет. Сталкиваясь с чем-то невиданным ранее, он выполняет быстрый анализ и выдает число от 0 до 1. Если число меньше .5, предполагается, что изображение не содержит опухоли; цифра больше .5 требует более пристального рассмотрения.
Новая модель искусственного интеллекта Sengupta имитирует эту настройку с изюминкой: модель выдает значение плюс визуальную карту, объясняющую принятое решение.
Карта, которую исследователи называют картой эквивалентности, или сокращенно Электронной картой, по сути, представляет собой преобразованную версию исходного рентгеновского снимка, маммограммы или другого носителя медицинских изображений. Подобно расписанному по номерам холсту, каждой области электронной карты присваивается номер. Чем больше значение, тем более интересен регион с медицинской точки зрения для прогнозирования наличия аномалии. Модель суммирует значения для получения окончательной цифры, которая затем информирует о диагнозе.
«Например, если общая сумма равна 1, и у вас есть три значения, представленные на карте -; .5, .3 и .2 -; врач может точно увидеть, какие области на карте внесли больший вклад в этот вывод, и исследовать их более полно», — сказал Сенгупта.
Таким образом, врачи могут перепроверять, насколько хорошо работает глубокая нейронная сеть, подобно учителю, проверяющему работу ученика над математической задачей, и отвечать на вопросы пациентов об этом процессе.
«Результатом является более прозрачная и заслуживающая доверия система между врачом и пациентом», — сказал Сенгупта.
Крестиком отмечено место
Исследователи обучили свою модель трем различным задачам диагностики заболеваний, включающим в себя в общей сложности более 20 000 изображений.
Сначала модель просмотрела имитированные маммограммы и научилась выявлять ранние признаки опухолей. Во-вторых, она проанализировала изображения оптической когерентной томографии сетчатки, где практиковалась в выявлении образования, называемого друзой, которое может быть ранним признаком дегенерации желтого пятна. В-третьих, модель изучила рентгенограммы грудной клетки и научилась выявлять кардиомегалию, состояние увеличения сердца, которое может привести к заболеванию.
После того, как модель составления карт была обучена, исследователи сравнили ее производительность с существующими системами искусственного интеллекта «черного ящика» — теми, у которых нет настройки самоинтерпретации. Новая модель показала сопоставимые результаты со своими аналогами во всех трех категориях с показателями точности 77,8% для маммограмм, 99,1% для ОКТ-изображений сетчатки и 83% для рентгенограмм грудной клетки по сравнению с существующими 77,8%, 99,1% и 83,33.%
Эти высокие показатели точности являются продуктом глубокой нейронной сети, нелинейные слои которой имитируют нюансы человеческих нейронов.
Чтобы создать такую сложную систему, исследователи очистили пресловутую луковицу и черпали вдохновение в линейных нейронных сетях, которые проще и понятнее интерпретировать.
«Вопрос заключался в следующем: как мы можем использовать концепции, лежащие в основе линейных моделей, чтобы сделать нелинейные глубокие нейронные сети также интерпретируемыми подобным образом?» — сказал главный исследователь Марк Анастасио, исследователь Института Бекмана и профессор Дональда Биггара Уиллета и глава департамента биоинженерии Иллинойса. «Эта работа является классическим примером того, как фундаментальные идеи могут привести к некоторым новым решениям для самых современных моделей искусственного интеллекта».
Исследователи надеются, что будущие модели смогут обнаруживать и диагностировать аномалии по всему телу и даже различать их.
