AI ayrıca patologlar tarafından daha önce not edilmeyen kanser prognozu ile ilgili özellikleri de tanımladı ve bu da patolog tabanlı tanıya kıyasla prostat kanseri nüksünün daha yüksek doğruluğuna yol açtı.
Japonya’daki RIKEN İleri İstihbarat Merkezi Projesi (AIP) tarafından geliştirilen yapay zeka (AI) teknolojisi, insan doktorları tarafından anlaşılamayan, insan doktorları tarafından anlaşılabilecek patoloji görüntülerinde başarılı özellikler buldu. Ayrıca, AI, patologlar tarafından daha önce not edilmeyen kanser prognozu ile ilgili özellikler belirledi ve bu da patolog tabanlı tanıya kıyasla prostat kanseri nüksünün daha yüksek doğruluğuna yol açtı. Yapay zeka tarafından yapılan tahminlerin insan patologlarının tahminleriyle birleştirilmesi daha da büyük bir doğruluk sağlamıştır.
Nature Communications’da yayınlanan çalışmanın ilk yazarı MD, Ph.D. Yoichiro Yamamoto’ya göre, “Bu teknoloji, görüntülerden yeni bilgiler edinerek kanser nüksünün son derece hassas bir tahminini mümkün kılarak kişiselleştirilmiş tıbba katkıda bulunabilir. AI’nın ‘kara kutu’ olarak görülmesi sorununu çözmeye yardımcı olarak AI’nın tıpta nasıl güvenle kullanılabileceğini anlamaya katkıda bulunun. ”
Yamamoto ve Go Kimura liderliğindeki araştırma grubu, Japonya’daki bazı üniversite hastaneleri ile işbirliği içinde “gözetimsiz öğrenme” adlı bir yaklaşımı benimsedi. İnsanlar yapay zekayı öğrettiği sürece, şu anda bilinenin ötesinde bilgi elde etmek mümkün değildir. Yapay zekadan “öğretilmiş” olmak yerine, otomatik kodlayıcılar olarak bilinen gözetimsiz derin sinir ağlarını tıbbi bilgi vermeden öğrenmesi istenmiştir. Araştırmacılar, AI tarafından bulunan özelliklerin – sadece başlangıçta rakamların – insanlar tarafından anlaşılabilecek yüksek çözünürlüklü görüntülere dönüştürülmesi için bir yöntem geliştirdiler.
Bu başarıyı gerçekleştirmek için grup, Nippon Tıp Fakültesi Hastanesi’nden (NMSH) prostatın 13.188 tam montajlı patoloji slayt görüntülerini aldı, Veri miktarı muazzamdı, yaklaşık 86 milyar görüntü yamasına eşdeğerdi (derin sinir ağlarına bölünmüş alt görüntüler) ve hesaplama AIP’nin güçlü RAIDEN süper bilgisayarında gerçekleştirildi.
AI, 11 milyon görüntü yamasından tanı ek açıklaması olmadan patoloji görüntülerini kullanmayı öğrendi. Yapay zeka tarafından bulunan özellikler arasında Gleason skoru üzerinde dünya çapında kullanılan kanser teşhis kriterleri vardı, aynı zamanda uzmanların farkında olmadığı kanser dışı alanlarda bir organı destekleyen stroma – bağ dokularını içeren özellikler de vardı. Yapay zekada bulunan bu özellikleri değerlendirmek için, araştırma grubu NMSH’den geriye kalan vakaları (dahili doğrulama) kullanarak rekürrens tahmininin performansını doğrulamıştır. Grup, AI tarafından keşfedilen özelliklerin, patologlar tarafından geliştirilen insan kaynaklı kanser kriterlerine, Gleason skoruna (AUC = 0.744) göre yapılan tahminlerden daha doğru (AUC = 0.820) olduğunu buldu. Ayrıca, AI’da bulunan özelliklerin ve insan tarafından belirlenen kriterlerin birleştirilmesi, tek başına her iki yöntemi kullanmaktan daha yinelemeyi öngörmüştür (AUC = 0.842). Grup sonuçları, St. Marianna Üniversite Hastanesi ve Aichi Tıp Üniversitesi Hastanesi’nden (dış doğrulama) 2,276 tam kapsamlı patoloji görüntüsü (10 milyar görüntü yaması) içeren başka bir veri kümesi kullanarak doğruladı.
“Ben çok mutluydum,” dedi Yamamoto, “AI’nın kanseri kendi başına açıklanmamış patoloji görüntülerinden tanıyabildiğini keşfetmek için. AI’nın patologların yapamadığı nüksü tahmin etmek için kullanılabilecek özellikler bulduğunu görmek beni çok şaşırttı belirledik.”
“Yapay zekanın teşhis ek açıklama içermeyen histopatoloji görüntülerinden otomatik olarak insanın anlayabileceği bilgileri edinebildiğini gösterdik. Bu ‘yenidoğan’ bilgisi, kanser nüksünün son derece hassas tahminlerine izin vererek hastalar için yararlı olabilir. AI’nın tahminlerini bir patoloğun tahminleriyle birleştirmenin doğruluğu daha da artırdığını ve AI’nın tıbbi bakımı iyileştirmek için doktorlarla birlikte kullanılabileceğini gösterdik.Ayrıca AI, özellikleri keşfetmek için bir araç olarak kullanılabilir şu ana kadar not edilmemiş hastalıkların ve insan bilgisi gerektirmediği için tıp dışındaki diğer alanlarda da kullanılabilir. ”
Daha fazla bilgi için: www.riken.jp/en/research/labs/aip/
