Radio SzczecinSztuczna inteligencja coraz częściej pomaga lekarzom wykrywać zmiany nowotworowe. Ale zanim algorytm nauczy się rozpoznawać chorobę, musi przejść długą drogę. Skąd pochodzą dane, na których się uczy? Kto sprawdza, czy są prawidłowe? I dlaczego bez pracy lekarzy sztuczna inteligencja nie byłaby w stanie postawić nawet wstępnej diagnozy?
Sztuczna inteligencja może przeanalizować tysiące mammografii i wskazać miejsce, które powinien dokładnie obejrzeć lekarz. Zanim jednak zacznie pomagać w diagnozie, sama musi nauczyć się rozpoznawać, które zmiany są niegroźne, a które mogą oznaczać chorobę. W poprzednim odcinku mówiłem o tym, skąd algorytmy czerpią medyczną wiedzę. Dziś pójdziemy krok dalej. Sprawdzimy, kto i w jaki sposób potwierdza, że dane wykorzystywane do uczenia sztucznej inteligencji są prawidłowe. O tym opowiada doktor Mariusz Holicki z Zachodniopomorskiego Centrum Onkologii w Szczecinie.
Prowadzący: W jaki sposób dochodzi do weryfikacji tych danych, na podstawie których uczy się sztuczna inteligencja?
dr Mariusz Holicki: My posiadamy tu na przykład w swoich zasobach archiwalnych, czyli w systemie PACS, archiwum obrazowe. Rocznie generujemy ponad dwa, trzy terabajty danych obrazowych, czyli to jest potężna skarbnica. Zakładając, że tomografię i rezonans mamy od około dwudziestu lat, to tych terabajtów jest naprawdę bardzo dużo.
Te obrazy, które posiadamy, są obrazami rzeczywistymi i obiektywnymi. To, że zastosowano tam jakieś algorytmy, nie ma znaczenia, bo w każdej chwili możemy je wyłączyć. Wystarczy wykonać odpowiednią czynność techniczną i powiedzieć: „Od dzisiaj nie korzystamy z polepszaczy obrazu”. Mogę więc mieć również obraz w postaci surowych danych.
Szpitalne archiwum może zawierać dziesiątki tysięcy badań. Sama liczba obrazów nie wystarczy jednak do nauczenia algorytmu. Trzeba je posegregować, opisać i połączyć z informacją o tym, co rzeczywiście wykryto u pacjenta.
dr Mariusz Holicki: My do uczenia używamy tak zwanych pełnych danych surowych. Odpowiednie algorytmy, przygotowane oczywiście przez ludzi, każą maszynie zwrócić uwagę na konkretne elementy obrazu. Gdy maszyna otrzyma na przykład dziesięć czy pięćdziesiąt tysięcy obrazów mammograficznych, musi je najpierw posegregować na poszczególne grupy zmian. Pierwsza selekcja powoduje, że obrazy zostają pogrupowane. Potem trzeba potwierdzić, że dany guzek rzeczywiście wyglądał tak samo na wielu badaniach. Wykonujemy biopsję i okazuje się, że był to rak piersi. Wtedy mamy już pewną interpretację.
Prowadzący: W jaki sposób dochodzi do weryfikacji tych danych, na podstawie których uczy się sztuczna inteligencja?
dr Mariusz Holicki: My posiadamy tu na przykład w swoich zasobach archiwalnych, czyli w systemie PACS, archiwum obrazowe. Rocznie generujemy ponad dwa, trzy terabajty danych obrazowych, czyli to jest potężna skarbnica. Zakładając, że tomografię i rezonans mamy od około dwudziestu lat, to tych terabajtów jest naprawdę bardzo dużo.
Te obrazy, które posiadamy, są obrazami rzeczywistymi i obiektywnymi. To, że zastosowano tam jakieś algorytmy, nie ma znaczenia, bo w każdej chwili możemy je wyłączyć. Wystarczy wykonać odpowiednią czynność techniczną i powiedzieć: „Od dzisiaj nie korzystamy z polepszaczy obrazu”. Mogę więc mieć również obraz w postaci surowych danych.
Szpitalne archiwum może zawierać dziesiątki tysięcy badań. Sama liczba obrazów nie wystarczy jednak do nauczenia algorytmu. Trzeba je posegregować, opisać i połączyć z informacją o tym, co rzeczywiście wykryto u pacjenta.
dr Mariusz Holicki: My do uczenia używamy tak zwanych pełnych danych surowych. Odpowiednie algorytmy, przygotowane oczywiście przez ludzi, każą maszynie zwrócić uwagę na konkretne elementy obrazu. Gdy maszyna otrzyma na przykład dziesięć czy pięćdziesiąt tysięcy obrazów mammograficznych, musi je najpierw posegregować na poszczególne grupy zmian. Pierwsza selekcja powoduje, że obrazy zostają pogrupowane. Potem trzeba potwierdzić, że dany guzek rzeczywiście wyglądał tak samo na wielu badaniach. Wykonujemy biopsję i okazuje się, że był to rak piersi. Wtedy mamy już pewną interpretację.
Algorytm może zauważyć, że wiele zmian wygląda podobnie. Dopiero wynik biopsji potwierdza jednak, czy na obrazie rzeczywiście znajdował się nowotwór. W ten sposób maszyna otrzymuje nie tylko obraz, ale również sprawdzoną odpowiedź, czego dotyczyło dane badanie.
dr Mariusz Holicki: I w ten sposób mamy wstępną ocenę. Oceniając nową mammografię, algorytm również się uczy i może korzystać z nowych doświadczeń, wprowadzając do swojej sieci kolejne obrazy. To są już wyższej klasy algorytmy stosowane w medycynie, bardziej zaawansowane, ale też droższe.
Uzyskując obraz mammograficzny, dostajemy od razu gotowy wynik w postaci zaznaczonych zmian. I teraz lekarz musi usiąść i zastanowić się, co te zmiany oznaczają. Są one zaznaczane w różny sposób, bardziej lub mniej intensywnie. Maszyna pokazuje więc: „Zwróć na to uwagę”.
Również pomiary gęstości piersi wykonywane automatycznie podczas mammografii powodują, że lekarz otrzymuje wstępną interpretację, czy dana zmiana może wymagać biopsji, czy raczej badania USG. Dotyczy to pacjentek z kategorią BI-RADS 1 i 2, co ułatwia różnicowanie zmian łagodnych.
Sztuczna inteligencja nie wydaje więc ostatecznego wyroku. Wskazuje obszary podobne do zmian, które poznała podczas nauki. To lekarz musi zdecydować, czy potrzebne jest dodatkowe USG, obserwacja albo biopsja. Wiarygodność algorytmu zaczyna się dużo wcześniej, niż pojawi się on na ekranie monitora. Zaczyna się od prawidłowo zebranych danych, potwierdzonych diagnoz i pracy specjalistów, którzy uczą maszynę, na co powinna zwracać uwagę.
Moim gościem był doktor Mariusz Holicki, kierownik Zakładu Diagnostyki Obrazowej i Medycyny Nuklearnej w Zachodniopomorskim Centrum Onkologii w Szczecinie.