Yapay zeka, geniş tıbbi görüntüleme veri kümelerini analiz etmek ve insan gözlemciler tarafından gözden kaçırılabilecek kalıpları belirlemek için muazzam bir vaat göstermekte. Beyin taramalarının AI destekli yorumlanması, genellikle tedavi edilebilir ancak tekrarlama riski değişken olan glioma adı verilen beyin tümörleri olan çocukların bakımının iyileştirilmesine yardımcı olabilir. Mass General Brigham’dan araştırmacılar ve Boston Çocuk Hastanesi ve Dana-Farber/Boston Çocuk Kanser ve Kan Hastalıkları Merkezi’ndeki işbirlikçileri, ardışık, tedavi sonrası beyin taramalarını analiz etmek ve kanser tekrarlama riski olan hastaları işaretlemek için derin öğrenme algoritmalarını eğitti. Sonuçları The New England Journal of Medicine AI’da yayınlanmdı.
Yapay zeka beyin kanseri teşhisi için kullanılıyor
Mass General Brigham’daki Yapay Zeka Tıpta (AIM) Programı ve Brigham ve Kadın Hastanesi Radyasyon Onkolojisi Bölümü’nden ilgili yazar Benjamin Kann: “Pek çok pediatrik glioma yalnızca ameliyatla tedavi edilebilir, ancak nüksler meydana geldiğinde yıkıcı olabilir. Kimin tekrarlama riski altında olabileceğini tahmin etmek çok zordur, bu nedenle hastalar uzun yıllar boyunca manyetik rezonans (MR) görüntüleme ile sık sık takip edilirler, bu süreç çocuklar ve aileler için stresli ve külfetli olabilir. Hangi hastaların tekrarlama riski en yüksek olduğunu erken belirlemek için daha iyi araçlara ihtiyacımız var” diyor.
Pediatrik kanserler gibi nispeten nadir görülen hastalıklarla ilgili çalışmalar sınırlı veriler nedeniyle zorlanabilir. Kısmen Ulusal Sağlık Enstitüleri tarafından finanse edilen bu çalışma, ülke çapında kurumsal ortaklıkları kullanarak 715 pediatrik hastadan yaklaşık 4.000 MR taraması topladı. Yapay zekanın bir hastanın beyin taramalarından “öğrenebileceği” şeyleri en üst düzeye çıkarmak ve tekrarlamayı daha doğru bir şekilde tahmin etmek için araştırmacılar, modeli ameliyattan sonraki birkaç ay boyunca alınan birden fazla beyin taramasından bulguları sentezleyecek şekilde eğiten zamansal öğrenme adı verilen bir teknik kullandılar.
Tipik olarak, tıbbi görüntüleme için yapay zeka modelleri tek taramalardan sonuçlar çıkarmak üzere eğitilir; Daha önce tıbbi görüntüleme AI araştırmaları için kullanılmamış olan zamansal öğrenme ile, zaman içinde elde edilen görüntüler algoritmanın kanser tekrarını tahmin etmesine yardımcı olur. Zamansal öğrenme modelini geliştirmek için araştırmacılar önce modeli bir hastanın ameliyat sonrası MR taramalarını kronolojik sıraya göre dizmesi için eğittiler, böylece model ince değişiklikleri tanımayı öğrenebilirdi. Buradan araştırmacılar, uygun durumlarda değişiklikleri sonraki kanser tekrarıyla doğru şekilde ilişkilendirmek için modeli ince ayarladılar.
Sonuç olarak, araştırmacılar zamansal öğrenme modelinin düşük veya yüksek dereceli gliomanın tekrarını tedaviden bir yıl sonra %75-89 doğrulukla tahmin ettiğini buldular — tek görüntülere dayalı tahminlerle ilişkili doğruluktan önemli ölçüde daha iyi, ki bu da yaklaşık %50’dir (şanstan daha iyi değil). AI’ya tedaviden sonra daha fazla zaman noktasından görüntü sağlamak modelin tahmin doğruluğunu artırdı, ancak bu iyileştirme sabitlenmeden önce yalnızca dört ila altı görüntü gerekiyordu.