Le applicazioni di machine learning in ambito sanitario sono presenti da un po ‘di tempo. La ricerca si è costantemente evoluta e in questo ambito sono stati ampliati più settori. Non viene utilizzato solo nella diagnosi e nel trattamento del cancro, ma anche nella complessità di molte altre condizioni umane. L’unione della conoscenza medica con le tecniche di apprendimento automatico è banale, nel senso che le applicazioni sono dirette e forniscono un valore estremamente deterministico.
In questo articolo, parleremo delle applicazioni di tali algoritmi nella rilevazione del cancro e del modo in cui vengono eseguiti da allora, sebbene ci siano diversi documenti di ricerca che trattano i punti salienti biologici e tecnici dello stesso, ce ne sono pochi che parlano del pratico applicazioni e alcuni tecnici che vogliono entrare nel settore potrebbero avere difficoltà a far atterrare le tecniche senza una conoscenza preliminare dell’informatica.
Reti neurali applicate alla rilevazione del cancro
Una delle applicazioni più importanti e popolari nell’implementazione di algoritmi di machine learning per il rilevamento del cancro è quella effettuata attraverso Computer Vision . Sebbene rilevare il cancro usando le immagini non sia l’unica applicazione di apprendimento automatico là fuori – è anche possibile effettuare rilevamenti da dati strutturati con problemi supervisionati comuni – è la più famosa. Vediamo come funziona questo tipo di algoritmo usando un esempio di rilevazione del carcinoma mammario. Se vuoi saperne di più, unisciti al prossimo evento CVDC 2020.
Rilevare il cancro al seno utilizzando algoritmi di apprendimento automatico è stato recentemente oggetto di molte discussioni. Una delle innovazioni più di tendenza degli ultimi mesi è stata Google Health , che ha introdotto un sistema di intelligenza artificiale che ha rilevato il cancro al seno nelle prime fasi. In quello studio, in cui hanno utilizzato i dati di oltre 90.000 donne, l’intelligenza artificiale è stata in grado di prevedere meglio degli esperti medici poiché aveva molti meno errori nella diagnosi.
Ti mostrerò come funzionano generalmente questi algoritmi di rilevazione del cancro di imaging. Nell’immagine seguente, è possibile vedere un sistema completo per rilevare il carcinoma mammario dalle immagini radiografiche.
Il sistema si basa sulla classificazione delle immagini mediante reti neurali profonde, comunemente chiamate apprendimento profondo. Queste reti neurali profonde sono di un certo tipo che consente alle immagini di essere trattate in modo abbastanza efficiente. Sono le cosiddette reti neurali convoluzionali o CNN.
Le reti neurali possono ottenere quelle che vengono chiamate mappe di attivazione. Questo non è altro che una serie di mappe di calore che rappresentano le aree in cui il modello è stato basato per fare una certa previsione. Nell’immagine precedente, in verde sono le aree su cui è stato basato il modello per determinare che questa immagine non è cancerogena. In rosso, le aree su cui è stato basato per determinare che è cancerogeno. In questo modo, l’esperto potrebbe vedere direttamente le parti che il modello assume siano importanti nella previsione.
Vorrei sottolineare che i modelli di apprendimento automatico non dovrebbero essere considerati un sostituto per gli esperti medici. Devono essere un utile complemento attraverso il quale migliorare i risultati e l’efficienza del lavoro degli esperti. Nell’immagine qui sotto, ho messo un esempio di come questi sistemi funzionerebbero. L’immagine è del rilevamento della polmonite, ma l’operazione è identica al rilevamento del cancro. Dalle immagini, un algoritmo di apprendimento automatico viene utilizzato per prevedere e ottenere mappe di calore che forniscono interpretazioni a tali previsioni. Successivamente, un radiologo esperto avrebbe deciso in base alle immagini originali e alle previsioni del modello.
Senza entrare negli aspetti tecnici – che possono essere controllati nel documento di ricerca sopra citato – vedremo come funzionerebbe il sistema e come verrà applicato ad alto livello. Il sistema, dopo essere stato addestrato, avrebbe ricevuto un’immagine a raggi X di cui la sua classe è sconosciuta. Utilizzando un modello di apprendimento automatico, prevederebbe la probabilità di quella regione di avere un’esposizione al cancro o meno. Praticamente otterresti una previsione “cancro” o “non cancro”.
Sono sicuro che questo suona alla grande, ma sicuramente l’esperto radiologo verrebbe a chiedere “Perché questo modello di machine learning mi dice che c’è il cancro e su cosa si basa? Non posso fidarmi di un modello del genere. È solo un algoritmo ”. Qui è dove applichiamo quella che viene chiamata intelligenza artificiale spiegabile.
