Umelá inteligencia s 99% presnosťou odhalí melanóm: Nová nádej pre včasnú diagnostiku

Výskumníci z Northeastern University vyvinuli prelomový nástroj umelej inteligencie, ktorý s takmer stopercentnou presnosťou dokáže detekovať melanóm, najagresívnejšiu formu rakoviny kože.

Podľa odhadov Americkej dermatologickej akadémie bude v roku 2025 v USA diagnostikovaných približne 212 000 nových prípadov melanómu. Toto zhubné ochorenie, ak sa zistí v neskorom štádiu, sa môže rozšíriť do lymfatických uzlín a vnútorných orgánov, čím sa stáva život ohrozujúcim.

S cieľom zlepšiť včasnú detekciu sa vedci z Northeastern University zamerali na využitie umelej inteligencie. Divya Chaudhary, odborná asistentka informatiky na seattleskom kampuse Northeastern University, a Peng Zhang, študent Khoury College of Computer Sciences, vytvorili nový hybridný systém s názvom SegFusion Framework, ktorý má lekárom pomôcť rýchlejšie a presnejšie identifikovať melanóm.

„Včasná detekcia nám umožňuje zachrániť životy a pomôcť lekárom a klinickým pracovníkom v rannej diagnostike,“ hovorí Chaudhary.

Komentár redakcie: Komentáre na Reddite naznačujú, že dôležitým krokom bude porovnanie výkonnosti tohto nástroja s ľudskými patológmi a riešenie potenciálnych problémov s nadmernou diagnostikou a falošne pozitívnymi výsledkami. Napriek tomu, ak sa tento systém osvedčí v rozsiahlejších testoch, predstavuje významný pokrok v oblasti včasnej detekcie rakoviny.

Ich systém kombinuje dva výkonné modely hlbokého učenia, ktoré využívajú rozsiahle siete algoritmov na rozpoznávanie vzorov a rozhodovanie na základe rozsiahlych dát. Jeden model zvýrazňuje podozrivé miesta na snímkach kože, zatiaľ čo druhý analyzuje tieto oblasti a určuje, či sú rakovinové.

V testoch preukázal SegFusion Framework konzistentne lepšie výsledky ako iné populárne prístupy umelej inteligencie. Napríklad, na datasete International Skin Imaging Collaboration 2020 dosiahol presnosť 99,01%, čím prekonal tradičné metódy strojového učenia.

Výskumníci využili architektúry U-Net a EfficientNet, pričom U-Net segmentuje podozrivé oblasti v snímkach kože a EfficientNet ich klasifikuje ako rakovinové alebo nerakovinové.

Systém bol trénovaný pomocou rozsiahlych dermatologických databáz HAM10000 a ISIC 2020. Z dôvodu nerovnomerného zastúpenia melanómu v datasete ISIC 2020 (iba 1,8%) výskumný tím vyvážil dáta pre lepšie učenie.

Na prepojenie oboch modelov vytvorili vedci „dátový most“, ktorý umožňuje druhému modelu analyzovať zvýraznenú oblasť. V súčasnosti modely pracujú postupne, cieľom je vytvorenie plne automatizovaného systému.

Chaudhary a jej študenti plánujú rozšíriť systém o zdravotné záznamy pacientov a vytvoriť aplikáciu pre dermatológov na podporu rozhodovania v reálnom čase. Systém SegFusion Framework má potenciál detekovať aj iné druhy rakoviny, ako napríklad rakovinu prsníka alebo pľúc.

„Študenti so mnou pracujú na budovaní rozsiahleho onkologického rámca,“ hovorí Chaudhary. „Budete môcť vložiť akýkoľvek obrázok do niekoľkých modelov umelej inteligencie, ktoré vytvárame, a systém vám jasne odpovie.“