인공 지능이 암 진단의 미래가 될 수 있을까요?
최근 연구에서 연구자들은 유방 조직 스캔에서 악성 병변과 양성 병변을 구별하는 알고리즘을 훈련했습니다.
암의 경우 성공적인 치료의 열쇠는 조기에 발견하는 것입니다.
현재 의사는 고품질 영상에 액세스 할 수 있으며 숙련 된 방사선 전문의는 비정상적인 성장의 징후를 발견 할 수 있습니다.
확인되면 다음 단계는 의사가 성장이 양성인지 악성인지 확인하는 것입니다.
가장 신뢰할 수있는 방법은 침습적 절차 인 생검을받는 것입니다.
그래도 오류가 발생할 수 있습니다. 어떤 사람들은 질병이없는 곳에서 암 진단을받는 반면 다른 사람들은 암이있을 때 진단을받지 못합니다.
두 가지 결과 모두 고통을 유발하고 후자의 상황은 치료를 지연시킬 수 있습니다.
연구원들은 이러한 문제를 피하기 위해 진단 프로세스를 개선하고자합니다. 병변이 악성인지 양성인지를 더 확실하게 감지하고 생검을 할 필요가없는 것은 게임 체인저가 될 것입니다.
일부 과학자들은 인공 지능 (AI)의 잠재력을 조사하고 있습니다. 최근 연구에서 과학자들은 고무적인 결과로 알고리즘을 훈련했습니다.
AI 및 탄성
초음파 탄성 조영술은 유방 조직의 강성을 테스트하는 비교적 새로운 진단 기법입니다. 파동을 만드는 조직을 진동시켜이를 달성합니다. 이 파동은 초음파 스캔에서 왜곡을 일으켜 주변 조직과 속성이 다른 유방 영역을 강조합니다.
이 정보를 통해 의사는 병변이 암인지 양성인지 판단 할 수 있습니다.
이 방법은 큰 잠재력을 가지고 있지만 엘라 스토 그래피 결과를 분석하는 데는 시간이 많이 걸리고 여러 단계가 필요하며 복잡한 문제를 해결해야합니다.
최근 로스 앤젤레스 서던 캘리포니아 대학의 비터 비 공과 대학 연구원 그룹이 알고리즘이 이러한 이미지에서 정보를 추출하는 데 필요한 단계를 줄일 수 있는지 물었습니다. 그들은 저널에 결과를 발표했습니다. 응용 역학 및 공학의 컴퓨터 방법.
연구진은 유방 스캔에서 악성 병변과 양성 병변을 구분하는 알고리즘을 훈련 할 수 있는지 알아보고 싶었습니다. 흥미롭게도 그들은 실제 스캔이 아닌 합성 데이터를 사용하여 알고리즘을 훈련함으로써이를 달성하려고했습니다.
합성 데이터
팀이 합성 데이터를 사용하는 이유를 물었을 때, 수석 저자 인 Assad Oberai 교수는 이것이 실제 데이터의 가용성에 달려 있다고 말합니다. 그는“의료 영상의 경우 1,000 개의 영상이 있으면 운이 좋다. 이와 같이 데이터가 부족한 상황에서는 이러한 기술이 중요해집니다. "
연구원들은 12,000 개 이상의 합성 이미지를 사용하여 심층 컨볼 루션 신경망이라고하는 기계 학습 알고리즘을 훈련했습니다.
프로세스가 끝날 무렵 알고리즘은 합성 이미지에서 100 % 정확했습니다. 다음으로 그들은 실제 스캔으로 넘어갔습니다. 그들은 단지 10 개의 스캔에 접근 할 수있었습니다. 그 중 절반은 악성 병변을 보여주고 나머지 절반은 양성 병변을 나타 냈습니다.
“우리는 정확도가 약 80 %였습니다. 다음으로 더 많은 실제 이미지를 입력으로 사용하여 알고리즘을 계속 개선합니다. "
Assad Oberai 교수
80 %는 좋지만 충분하지 않습니다. 그러나 이것은 프로세스의 시작일뿐입니다. 저자는 실제 데이터에 대해 알고리즘을 훈련했다면 정확도가 향상되었을 수 있다고 생각합니다. 연구원들은 또한 그들의 테스트가 시스템의 미래 기능을 예측하기에는 너무 작은 규모임을 인정합니다.
AI의 성장
최근 몇 년 동안 진단에 AI를 사용하는 데 관심이 높아지고 있습니다. 한 저자는 다음과 같이 썼습니다.
“AI는 진단 속도를 능가하고 정확도가 평행을 이루는 의료 전문가로 방사선, 병리 및 피부과의 이미지 분석에 성공적으로 적용되고 있습니다.”
그러나 Oberai 교수는 AI가 훈련 된 인간 운영자를 대체 할 수 있다고 믿지 않습니다. 그는“일반적인 합의는 이러한 유형의 알고리즘이 가장 큰 영향을 미칠 영상 전문가를 포함하여 중요한 역할을한다는 것입니다. 그러나 이러한 알고리즘은 블랙 박스 역할을하지 않을 때 가장 유용합니다. 최종 결론으로 이어진 것은 무엇을 보았습니까? 알고리즘이 의도 한대로 작동하려면 설명 할 수 있어야합니다. "
연구원들은 다른 유형의 암을 진단하기 위해 새로운 방법을 확장 할 수 있기를 희망합니다. 종양이 자라는 곳마다 조직이 물리적으로 행동하는 방식이 바뀝니다. 이러한 차이를 차트로 표시하고이를 발견하는 알고리즘을 훈련 할 수 있어야합니다.
그러나 각 유형의 암은 주변 환경과 매우 다르게 상호 작용하므로 알고리즘은 각 유형에 대한 다양한 문제를 극복해야합니다. 이미 Oberai 교수는 AI가 그곳에서 진단을 도울 수있는 방법을 찾기 위해 신장 암의 CT 스캔 작업을하고 있습니다.
암 진단에 AI를 사용하는 초기 단계이지만 미래에 대한 기대가 높습니다.
