Yhdysvaltalaiset tutkijat ovat kehittäneet uuden tekoälymallin, joka voi tehdä rintasyövän diagnostiikkaan käytettävistä AI-järjestelmistä luotettavampia. Malli arvioi ennusteiden epävarmuutta, mikä auttaa radiologeja tunnistamaan tapaukset, joissa tekoälyn tuottama tulos saattaa vaatia tarkempaa tarkastelua.
Tekoälyn uusi lähestymistapa
Pittsburghin yliopiston tutkijat ovat kehittäneet syväoppimiseen perustuvan tekoälymallin, joka arvioi diagnostiikan epävarmuutta yhdessä ennusteensa kanssa. Tämä uusi lähestymistapa, nimeltään epävarmuuspainotettu oppiminen, integroi epävarmuuden suoraan mallin koulutusprosessiin. Malli tuottaa kaksi pistettä: ennusteen ja siihen liittyvän epävarmuuspisteen, mikä mahdollistaa epäluotettavien ennusteiden merkitsemisen. Tämä on merkittävä ero perinteisiin AI-järjestelmiin verrattuna, jotka keskittyvät vain tarkkojen ennusteiden tuottamiseen.
Kehitystyön taustalla
Professori Shandong Wu Pittsburghin yliopiston lääketieteellisestä tiedekunnasta johti tutkimusta yhdessä jatko-opiskelija Jiren Lin ja tutkimusavustaja Dooman Arefanin kanssa. He hyödynsivät Pittsburgh Supercomputing Centerin Bridges-2-supertietokonetta mallien koulutuksessa ja arvioinnissa. Ensimmäiset testitulokset ovat olleet lupaavia, ja ne viittaavat siihen, että vastaavat mallit voivat parantaa diagnostiikan luotettavuutta.
Tulevaisuuden mahdollisuudet
Tutkijat toivovat, että epävarmuuteen perustuvia menetelmiä voidaan tulevaisuudessa laajentaa mammografiasta muihin lääketieteellisiin kuvantamisjärjestelmiin, jotka yhdistävät kuvantamistiedot muihin potilastietoihin. Tämä voisi tukea yksilöllisempää yhteistyötä kliinikoiden ja AI-työkalujen välillä, jossa ihmisen arvioinnin taso määräytyy mallin arvioiman luottamuspisteen perusteella. Työ on kuitenkin vielä alkuvaiheessa, ja lisävalidointia tarvitaan epävarmuusarvioiden toimivuuden varmistamiseksi eri potilasryhmissä ja kuvantamisympäristöissä.
Miksi tämä on tärkeää
Rintasyöpä on yksi yleisimmistä syövistä naisilla, ja sen varhainen diagnosointi on kriittistä hoidon onnistumisen kannalta. Tekoälyjärjestelmät voivat tarjota merkittävää apua diagnostiikassa, mutta niiden luotettavuus on ollut huolenaihe. Pittsburghin yliopiston kehittämä epävarmuuspainotettu oppimismalli voi tuoda kaivattua varmuutta tekoälyn käyttöön lääketieteellisessä kuvantamisessa, mikä voi parantaa potilasturvallisuutta ja hoidon laatua.
