Le CNN sono efficienti nel rilevare i tumori maligni dalle scansioni.
Il cancro al seno è il tumore più comune nelle donne. Ogni anno, questa malattia uccide oltre mezzo milione di persone in tutto il mondo. Mentre il successo del trattamento dipende dalla diagnosi precoce, la diagnosi di cancro al seno è difficile a causa dei tessuti del seno densi. Poiché il rilevamento è soggetto a errore umano, i medici hanno cercato un modo per migliorare l’accuratezza della diagnosi.
Un nuovo studio ha mostrato che gli strumenti di intelligenza artificiale addestrati con un set di dati di una grande quantità di immagini del seno potrebbero aiutare a rilevare tracce di malignità con una migliore accuratezza diagnostica.
In che modo l’IA rileva il cancro?
Le architetture di deep learning come le CNN (Convoluted Neural Network) funzionano bene nel riconoscimento audiovisivo, nell’interpretazione conversazionale, nella NLP (elaborazione del linguaggio naturale), nell’analisi delle immagini mediche, ecc. Tali strumenti di intelligenza artificiale vengono quindi addestrati su immagini ad alta risoluzione per rilevare, segmentare e classificarli con l’ausilio di tecniche di analisi delle immagini. Questo processo è chiamato patologia digitale .
Il processo di apprendimento generale per il ML utilizza metodi supervisionati o non supervisionati per fornire dati etichettati per consentire all’algoritmo di distinguere tra immagini positive e negative. Nel frattempo, nell’apprendimento per rinforzo, il modello AI impara a classificare feedback positivi e negativi senza alcuna supervisione.
Mentre il machine learning si basa su dati e classificazione basati su funzionalità di ingegneria umana, gli algoritmi di deep learning utilizzano un approccio diverso. Durante l’allenamento, l’IA apprende da sola i parametri necessari per classificare tra le immagini. L’intelligenza artificiale migliora con l’esposizione a più dati e ha il potenziale per scoprire nuove funzionalità.
Strumenti di rilevamento
Support Vector Machine: le SVM sono generalmente coinvolte quando è richiesto un numero elevato di funzionalità per classificare i dati in due o più decisioni. Il programma analizza i dati sotto forma di una linea retta, curva o iperpiano per separare classi diverse con un margine il più ampio possibile.
In questo algoritmo, ogni elemento di dati viene tracciato come un punto in uno spazio n-dimensionale. Qui, la variabile ‘n’ denota un numero di funzione del valore di coordinate univoco che indica. La classificazione è possibile quando l’algoritmo ottiene un iperpiano che descrive al meglio le classi.
L’accuratezza di un particolare modello può essere valutata dalla percentuale di previsioni corrette fatte dal modello.
Precisione = Numero di previsioni corrette Totale Numero di previsioni
La stessa equazione può essere convertita in forma binaria come
Precisione = TP + TNTP + TN + FP + FN
Dove,
TP – Veri positivi TN – Veri negativi
FP – Falsi positivi FN – Falsi negativi
Così,
Precisione = TPTP + FP.
Reti neurali contorte (CNN): le CNN vengono utilizzate per esplorare i modelli in un’immagine contorcendo l’immagine e identificando caratteristiche complesse. Le CNN sono efficienti nel rilevare le anomalie nelle scansioni.
La rete neurale è composta da tre strati, lo strato convoluzionale, lo strato di pooling e lo strato completamente connesso. Il primo livello calcola l’output dei neuroni che sono interconnessi con le regioni locali. Ogni percorso è calcolato da un prodotto scalare dei pesi e della regione. Questi neuroni o filtri scansionano l’immagine facendo scorrere una finestra su di essa e identificando schemi ricorrenti che possono sorgere in qualsiasi area dell’immagine. La convoluzione viene estesa alle finestre sovrapposte se l’iperparametro stride è inferiore alla dimensione del filtro. Qui, un passo è l’intervallo tra i filtri.
I livelli di convoluzione scoprono le caratteristiche delle immagini con una posizione precisa. Tuttavia, la mappa delle caratteristiche cambia anche se le posizioni vengono modificate di una piccola quantità. Per superare questo collo di bottiglia, il downsampling viene applicato all’uscita di ogni strato convoluzionale.
Sfide
Una delle sfide più fondamentali dell’integrazione dell’IA è l’accumulo di grandi set di dati con un’etichettatura appropriata. La formazione di un modello di intelligenza artificiale per le malattie rare richiede un set di dati più ampio per garantire un’esposizione sufficiente alle sue variazioni e sottigliezze.
L’interpretazione dei risultati dello strumento AI da parte di medici, radiologi ed esperti nel campo dello screening del cancro al seno è un altro problema urgente. Per una corretta integrazione, gli ufficiali sanitari devono essere formati all’uso appropriato e alle limitazioni di tali strumenti.
Futuro della ricerca sul cancro al seno
L’automazione dei metodi per identificare il cancro al seno ha il potenziale per migliorare l’efficienza operativa di radiologi e professionisti qualificati di ordini di grandezza. La ricerca del Dipartimento di Radiologia della NYU Langone Health e del suo Laura and Isaac Perlmutter Cancer Center ha dimostrato il potenziale del rilevamento computerizzato del cancro al seno nelle pazienti. Secondo la loro ricerca, campionando 44.755 esami ecografici già completati, lo strumento di intelligenza artificiale è stato in grado di migliorare l’efficienza dei radiologi nella rilevazione del cancro del 37%. Pertanto, la necessità di conferma tramite campioni di tessuto o biopsie è stata ridotta del 27%. Ricercatore senior Krzysztof J. Geras, PhD, ha affermato: “Il nostro studio dimostra come l’intelligenza artificiale può aiutare i radiologi a leggere gli esami ecografici del seno per rivelare solo quelli che mostrano segni reali di cancro al seno e per evitare la verifica mediante biopsia nei casi che si rivelano benigni”.
