Як насправді ШІ читає медичний знімок?

Основний механізм: зіставлення за шаблонами, а не розуміння

Більшість сучасних AI діагностичних інструментів у клінічній практиці є згортковими нейронними мережами (CNN), навченими на медичних зображеннях: рентгенівські знімки, слайси КТ, МРТ-знімки, зображення сітківки ока, фотографії шкірних уражень або зрізи гістологічних препаратів. CNN не "розуміє" анатомію так, як це робить радіолог. Воно вчиться, шар за шаром, які піксельні шаблони статистично корелюють із позначеним результатом — тому що воно бачило десятки або сотні тисяч зображень, де експерт вже відзначив відповідь.

Процес навчання є наглядовим: подайте мережі зображення, щоб вона здогадалася (пухлина / немає пухлини, злоякісна / доброякісна), порівняйте здогадку з істинним значенням та скоригуйте мільйони внутрішніх ваг, щоб зменшити помилку. Повторіть це по всьому набору даних протягом багатьох проходів (епох). У результаті виникає не набір медичних правил, а дуже високовимірний статистичний функціонал, який відображає розташування пікселів у ймовірності.

Де було остаточно підтверджено

Найчіткіші перемоги досягнуто в вузькоспеціалізованих, добре визначених задачах з візуалізації, де доступно великий обсяг мічених даних. Скринінг діабетичної ретинопатії за допомогою фотографій сірту є одним із найбільш розвинених прикладів — алгоритм Google та IDx-DR (перша FDA-затверджена автономна система штучного інтелекту для діагностики, затверджена у 2018 році) обидва оцінюють зображення сірти на предмет ознак захворювань очей при цукровому діабеті без залучення спеціаліста до перегляду кожного випадку. Класифікатори шкірних новоутворень, навчені на великих наборах дерматоскопічних зображень, продемонстрували точність, порівняну з сертифікованими дерматологами на відібраних тестових наборах. У радіології інструменти, які виділяють підозрілі зони на мамограмах, рентгенівських знімках грудної клітки або КТ легень при пухлинах легень, тепер отримали схвалення FDA та використовуються як «другий читач» поряд із людиною.

Закономірність у цих успіхах полягає в вузькому обсязі: одна модальність, один конкретний висновок, великий набір мічених даних і задача, яка ґрунтується на фундаментальному візуальному розпізнаванні шаблонів. Це саме те, що добре роблять CNN.

Чому це не працює за межами лабораторії

Модель, навчена на знімках з одного лікарняного сканера, конкретної популяції пацієнтів і протоколів зображення, часто втрачає точність при розгортанні в іншій лікарні з іншим обладнанням та демографією — проблему, яку дослідники називають дрейфом домену або зміною набору даних. У відомому дослідженні 2018 року продуктивність класифікатора шкірних новоутворень знизилася, коли його перевіряли на зображеннях, знятих різними камерами та освітленням, ніж у навчальному наборі.

Існують також проблеми з маркуванням вгорі: модель така ж хороша, як і фактичні дані, на яких вона була навчена, і експерти-радіологи не завжди погоджуються між собою щодо неоднозначних випадків. ШІ вивчає упередження та недоліки того, хто міткував його навчальні дані, включаючи недостатнє представлення певних відтінків шкіри, вікових груп або рідкісних станів, коли їх було мало в навчальному наборі.

Як ШІ діагностика не означає на практиці

Майже низькі показники розгорнутих інструментів функціонують як автономні діагностори, замінюючи судження лікаря. Регуляторна та клінічна модель - це підтримка прийняття рішень: алгоритм видає ймовірність або виділяє область інтересу, і лікар робить остаточне рішення, замовляючи додаткові тести або біопсію за необхідності. Навіть IDx-DR, який продається як автономний, має вузький обсяг застосування до рішення «так/ні» щодо скринінгу діабетичної ретинопатії, а не загальної діагностики.

Це важливо, тому що фактична клінічна цінність полягає не в роботі робочого лікаря — це триаж і зменшення навантаження. Модель, яка попередньо перевіряє тисячі звичайних мамограми та виділяє 10% неоднозначних випадків для пріоритетного людського аналізу, може значно скоротити час очікування та виявити випадки, які втомлений читач міг віддати нижчому пріоритету, не приймаючи жодних безконтрольних діагностичних рішень.

Обмеження даних та регуляторний ризик

Створення такої системи потребує великих обсягів розмічених медичних зображень, які є дорогими у виробництві (потрібна експертна анотація), юридично обмеженими (закони про захист даних пацієнтів обмежують обмін інформацією між установами) та часто незбалансованими (рідкі захворювання мають мало прикладів для навчання). Це одна з основних причин, чому інструменти штучного інтелекту діагностики зосереджуються на поширених, великих за обсягом станах, таких як діабетична ретинопатія, скринінг раку грудей та пухирці в легенях, а не на рідкісних захворюваннях.

З точки зору регулювання, інструменти, призначені для діагностичного використання в США, проходять схвалення FDA (зазвичай шлях 510(k) для інструментів, подібних до існуючого пристрою або De Novo для справді нових категорій), що вимагає клінічних даних підтвердження безпеки інструменту для його конкретного зазначеного випадку використання. Саме тому етикетка схваленого інструменту завжди вузький — наприклад, схвалена для виявлення діабетичної ретинопатії у дорослих з певного типу камери, а не загальний «читає рентгенограми».

IDx-DR, схвалений FDA в 2018 році, був першою системою ШІ, яка отримала дозвіл на надання рішення щодо скринінгу діабетичної ретинопатії без залучення фахівця для перегляду зображення.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.