или войти через:
Ваша корзина пока пуста
favorite_border
Доступно только зарегистрированным пользователям

Ученые MIT разработали искусственный интеллект для диагностики рака

schedule 27.04.2015 в 13:38 link медицинский робот робот-диагност MIT
Правильная диагностика рака у человека и выявление конкретного типа болезни необходима для успешного лечения пациента. Сегодня врач может поставить правильный диагноз благодаря дюжине подобных случаев и изученным книгам. Но что, если он вместо этого включил бы свои результаты испытаний и медицинскую историю в компьютерную программу, которая бы обрабатывала миллионы подобных данных?, - передает Robotics.ua.



Такое будущее выглядит все более и более возможным благодаря исследователям из Массачусетского технологического института в области компьютерных наук и лаборатории искусственного интеллекта (CSAIL). Работая с командой из Массачусетского главного госпиталя (MGH), аспирантом Юанем Ло (YuanLuo) и профессором MIT Питера Сзоловитса (Peter Szolovits), ученые разработали вычислительную модель, которая направлена на автоматическое предложение диагнозов рака путем изучения тысяч точек данных из предыдущих отчетов патологии.

Для достоверного диагноза лимфомы

Исследователи сосредоточились на трех самых распространенных подтипах лимфомы, рака с более чем 50 различными подтипами, которые часто трудно отличить. По словам Ephraim Hochberg, директор Центра лимфомы в MGH и одного из соавторов этой работы, от 5 до 15 процентов случаев лимфомы первоначально неправильно диагностируются или неправильно классифицируются, что может быть серьезной проблемой, так как различные лимфомы требуют значительно другого лечения.

Например, Hochberg недавно видел пациента, которому ошибочно сообщили, что его лимфома неизлечима. Если бы он точно не диагностировал ее и отправил пациента на интенсивную терапию, это могло бы быть слишком поздно, чтобы противодействовать раку.

Классификация лимфом уже давно является предметом споров для патологоанатомов и медиков. Было по крайней мере пять различных наборов руководящих принципов вплоть до 2001 года, когда Всемирная организация здравоохранения опубликовала консенсус классификации. В 2008 ВОЗ пересмотрела свои руководящие принципы в этом трудоемком процессе с участием руководящего комитета из восьми членами и более чем 130 патологоанатомами и гематологами по всему миру. Кроме того, только 1400 случаев из Европы и Северной Америки, были рассмотрены, чтобы классифицировать 50 подтипов. Это означает, что в среднем критерии диагностики подтипов были основаны на том, что было только у ограниченного числа людей.

Между тем, крупные медицинские учреждения, как MGH часто архивируют десятилетия отчетов патологии. Это заставило исследователей Массачусетского технологического института подумать о том, могут ли они задействовать эти ресурсы для разработки автоматизированных инструментов, которые могли бы улучшить понимание врачей о том, как диагностировать лимфому.

«Важно убедиться, что руководящие принципы классификации являются современными и точно представлены с большим количеством клинических случаев», говорит Ло, который является первым автором проекта. «Наши работы основаны на детальных медицинских случаях, чтобы помочь врачам более полно охватить тонкие различия между лимфомами.»

Дружественный ИИ

Ло подчеркивает, что такие модели машинного обучения должны быть не только точными, но и интерпретируемыми для врачей. Критерии руководящих принципов ВОЗ, изложены с помощью результатов испытаний, которые сами по себе являются отношениями между медицинскими понятиями, как опухолевые клетки и поверхностные антигены. Для того, чтобы увидеть эти отношения, исследователи превращают предложения из отчетов патологии в представление графа, где узлы графа медицинских концепций и данные имеют синтаксические и семантические зависимости. Они собирают часто встречающиеся подграфы, соответствующие отношениям, которые определяют результаты испытаний.

 «Рассуждения диагностики медиков основаны на нескольких результатах тестов», говорит Ло. «Таким образом, нам необходимо автоматизировать подграфы в форме, которая соответствует результатам тестирования. Это делает модель интерпретации удобной для врачей, вместо того черного ящика, на которыйони часто жалуются при своей работе».

Основной вклад данной работы заключается в использовании техники, называемой подграф Subgraph Augmented Non-negative Tensor Factorization (SANTF). В SANTF данные из 800медицинских случаев  или около того организуются в виде трехмерной таблицы, где размеры соответствуют множеству пациентов, множеству частых подграфов и набору слов, входящих вблизи каждого элемента данных, указанного в отчетах. Эта схема каждого из кластеров этих измерений одновременно использует соотношения в каждом измерении, чтобы ограничить те и другие формы. Изучив полученные кластеры, исследователи могут связать результаты теста с подтипами лимфомы.

«Если работать с очень большими объемами данных, в том числе с критериями, которые помогают определить эти кластеры,программа может информировать врачей о том, как понять диапазон лимфом и их клинические отношения друг с другом», говорит Питер Сзоловитс.

«Большинство обработки естественного языка в клинической отчетности было сосредоточено на выявлении важных фраз или атрибутов, а не на более трудной задаче распознавания отношений и понятий», объясняет профессор Венди Чапман, председатель отдела биомедицинской информатики в Университете штата Юта. «Медицинские эксперты с многолетним опытом работы в состоянии понять не только слова, но более глубокие последствия. Это исследование заставляет нас приблизиться на шаг к разработке надежных компьютерных моделей, которые могут достичь такого уровня понимания».

Кроме того модель SANTF, по информации robotics.ua,не требует меченых обучающих данных, что позволяет автоматизировать процесс получения знаний. Сзоловитс уверен, что эта модель может помочь врачам делать более точные диагнозы лимфомы, основанные на более подробных доказательствах и может даже быть включенной в будущие руководящие принципы ВОЗ.

«Наша конечная цель состоит в том, чтобы иметь возможность сосредоточиться на этих методах с очень большими количествами данных в порядке миллионов случаев», говорит Сзоловитс. «Если мы сможем это сделать и определить функции, которые являются специфическими для различных подтипов,  мы бы прошли долгий путь в направлении обеспечения врачей рабочими местами проще и, может быть, пациенты будут жить дольше.»

Комментарии: