מודל AI שפותח על ידי מכון בקמן מאפשר אבחון רפואי מדויק עם מפות חזותיות להסבר, שיפור התקשורת בין רופא למטופל ומקל על גילוי מוקדם של מחלות.
מומחה לאבחון רפואי, עוזר רופא וקרטוגרף הם כולם כותרים הוגנים למודל בינה מלאכותית שפותחה על ידי חוקרים במכון בקמן למדע וטכנולוגיה מתקדמים.
המודל החדש שלהם מזהה במדויק גידולים ומחלות בתמונות רפואיות ומתוכנת להסביר כל אבחנה באמצעות מפה חזותית. השקיפות הייחודית של הכלי מאפשרת לרופאים לעקוב בקלות אחר קו ההיגיון שלו, לבדוק שוב דיוקולהסביר את התוצאות למטופלים.
"הרעיון הוא לעזור לתפוס סרטן ומחלות בשלביה המוקדמים ביותר – כמו X על המפה – ולהבין כיצד התקבלה ההחלטה. המודל שלנו יעזור לייעל את התהליך הזה ולהקל על הרופאים והמטופלים כאחד", אמרה סוריה סנגופטה, המחברת הראשית של המחקר ועוזרת מחקר בוגרת במכון בקמן.
המחקר הזה הופיע ב עסקאות IEEE על הדמיה רפואית.
חתולים וכלבים ובצלים ומפלצות
לראשונה בשנות החמישים, בינה מלאכותית – הרעיון שמחשבים יכולים ללמוד להסתגל, לנתח ולפתור בעיות כמו בני אדם – הגיעה להכרה במשק הבית, בין השאר בזכות ChatGPT והמשפחה המורחבת של כלים קלים לשימוש.
למידת מכונה, או ML, היא אחת משיטות רבות שבהן משתמשים חוקרים כדי ליצור מערכות אינטליגנטיות באופן מלאכותי. ML הוא עבור AI מה שהשכלת הנהג היא לילד בן 15: סביבה מבוקרת ומפוקחת לתרגול קבלת החלטות, כיול לסביבות חדשות וניתוב מחדש לאחר טעות או פנייה שגויה.
למידה עמוקה – למידת מכונהקרוב המשפחה החכם והעולמי יותר – יכול לעכל כמויות גדולות יותר של מידע כדי לקבל החלטות ניואנסיות יותר. מודלים של למידה עמוקה שואבים את כוחם המכריע מהסימולציות המחשב הקרובות ביותר שיש לנו למוח האנושי: רשתות עצביות עמוקות.
לרשתות האלה – בדיוק כמו לבני אדם, בצל ומפלצות – יש שכבות, מה שהופך אותן לקשות לניווט. ככל שהסבך האינטלקטואלי של רשת בעל שכבות עבות יותר, או לא ליניאריות, כך היא מבצעת טוב יותר משימות מורכבות דמויות אדם.
חוקרים ממכון בקמן בראשות מארק אנסטסיו (מימין) וסוריה סנגופטה פיתחו מודל של בינה מלאכותית שיכול לזהות במדויק גידולים ומחלות בתמונות רפואיות. הכלי משרטט מפה כדי להסביר כל אבחנה, עוזר לרופאים לעקוב אחר קו ההיגיון שלו, לבדוק את הדיוק ולהסביר את התוצאות למטופלים. קרדיט: ג'נה קורצווייל, משרד התקשורת של מכון בקמן
שקול רשת עצבית מאומנת להבדיל בין תמונות של חתולים לתמונות של כלבים. הדוגמנית לומדת על ידי סקירת תמונות בכל קטגוריה ותיוק התכונות הייחודיות שלהן (כמו גודל, צבע ואנטומיה) לעיון עתידי. בסופו של דבר, הדוגמנית לומדת להיזהר משפמים ולבכות דוברמן עם סימן ראשון של לשון תקלה.
אבל רשתות עצביות עמוקות אינן בלתי ניתנות לטעות – בדומה לפעוטות נלהבים מדי, אמר סנגופטה, החוקר הדמיה ביו-רפואית במחלקה להנדסת חשמל ומחשבים של אוניברסיטת אילינוי אורבנה-שמפיין.
"הם מבינים את זה לפעמים, אולי אפילו רוב הזמן, אבל זה אולי לא תמיד מהסיבות הנכונות", אמר. "אני בטוח שכולם מכירים ילד שראה פעם כלב חום עם ארבע רגליים ואז חשב שכל חיה חומה עם ארבע רגליים היא כלב".
האחיזה של סנגופטה? אם תשאלו פעוט איך הוא החליט, הוא כנראה יגיד לכם.
"אבל אתה לא יכול לשאול רשת נוירונים עמוקה איך היא הגיעה לתשובה", אמר.
בעיית הקופסה השחורה
מלוטשים, מיומנים ומהירים ככל שיהיו, רשתות עצבים עמוקות נאבקות לשלוט במיומנות המכוננת שנקדחה בתלמידי חשבון תיכון: הצגת עבודתם. זה מכונה בעיית הקופסה השחורה של בינה מלאכותית, וזה מבלבל את המדענים במשך שנים.
על פני השטח, לשדל וידוי מהרשת הסרבנית שחשבה שפומרניאן לחתול אינו נראה מכריע בצורה בלתי נתפסת. אבל כוח המשיכה של הקופסה השחורה מתחדד ככל שהתמונות המדוברות משנות חיים יותר. לדוגמה: צילומי רנטגן מממוגרפיה שעלולים להצביע על סימנים מוקדמים לסרטן השד.
תהליך פענוח התמונות הרפואיות נראה שונה באזורים שונים בעולם.
"במדינות מתפתחות רבות, יש מחסור ברופאים ושורה ארוכה של חולים. בינה מלאכותית יכולה להיות מועילה בתרחישים אלה", אמר סנגופטה.
כאשר יש ביקוש גבוה לזמן ולכישרון, ניתן להשתמש בהקרנת תמונות רפואית אוטומטית ככלי מסייע – בשום אופן לא מחליף את המיומנות והמומחיות של הרופאים, אמר סנגופטה. במקום זאת, מודל בינה מלאכותית יכול לסרוק מראש תמונות רפואיות ולסמן את אלה המכילות משהו חריג – כמו גידול או סימן מוקדם למחלה, הנקרא סמן ביולוגי – לצורך סקירת רופא. שיטה זו חוסכת זמן ואף יכולה לשפר את הביצועים של מי שמופקד על קריאת הסריקה.
מודלים אלה עובדים היטב, אך אופן המיטה שלהם משאיר הרבה מקום לרצון כאשר, למשל, מטופל שואל מדוע מערכת AI סימנה תמונה כמכילה (או לא מכילה) גידול.
מבחינה היסטורית, חוקרים ענו על שאלות כאלה עם שלל כלים שנועדו לפענח את הקופסה השחורה מבחוץ פנימה. למרבה הצער, החוקרים המשתמשים בהם נתקלים לעתים קרובות במצוקה דומה למצוותת האומללה, הנשענת על דלת נעולה עם דלת ריקה. זכוכית לאוזן.
"זה יהיה הרבה יותר קל פשוט לפתוח את הדלת, להיכנס לחדר ולהקשיב לשיחה ממקור ראשון", אמר סנגופטה.
כדי לסבך עוד יותר את העניין, קיימות וריאציות רבות של כלי הפרשנות הללו. משמעות הדבר היא שכל קופסה שחורה נתונה עשויה להתפרש בדרכים "סבירות אך שונות", אמר סנגופטה.
"ועכשיו השאלה היא: באיזו פרשנות אתה מאמין?" הוא אמר. "יש סיכוי שהבחירה שלך תושפע מההטיה הסובייקטיבית שלך, ובזה טמונה הבעיה העיקרית של שיטות מסורתיות."
הפתרון של סנגופטה? סוג חדש לגמרי של מודל AI שמפרש את עצמו בכל פעם – שמסביר כל החלטה במקום לדווח בצורה סתמית על הבינארי של "גידול מול לא גידול", אמר סנגופטה.
אין צורך בכוס מים, במילים אחרות, כי הדלת נעלמה.
מיפוי הדגם
יוגי הלומד יציבה חדשה חייב לתרגל אותה שוב ושוב. מודל בינה מלאכותית שאומן להבחין בין חתולים לכלבים החוקרים אינספור תמונות של שני הארבע רגליים.
מודל AI המתפקד כעוזר לרופא גדל על דיאטה של אלפי תמונות רפואיות, חלקן עם חריגות וחלקן בלי. כאשר הוא מתמודד עם משהו שטרם נראה, הוא מבצע ניתוח מהיר ויורק מספר בין 0 ל-1. אם המספר קטן מ-0.5, אין להניח שהתמונה מכילה גידול; מספר גדול מ-0.5 מצדיק בדיקה מקרוב.
דגם ה-AI החדש של Sengupta מחקה את ההגדרה הזו בטוויסט: המודל מייצר ערך בתוספת מפה חזותית שמסבירה את החלטתו.
המפה – המכונה על ידי החוקרים כמפת שקילות, או בקיצור E-map – היא בעצם גרסה שעברה טרנספורמציה של צילום הרנטגן המקורי, ממוגרפיה או מדיום תמונה רפואי אחר. כמו בד צביעה לפי מספרים, לכל אזור במפה האלקטרוני מוקצה מספר. ככל שהערך גדול יותר, כך האזור מעניין יותר מבחינה רפואית לניבוי נוכחות של חריגה. המודל מסכם את הערכים כדי להגיע לנתון הסופי שלו, אשר מודיע לאחר מכן על האבחנה.
"לדוגמה, אם הסכום הכולל הוא 1, ויש לך שלושה ערכים המיוצגים במפה – .5, .3 ו-.2 – רופא יכול לראות בדיוק אילו אזורים במפה תרמו יותר למסקנה הזו ולחקור אותם יותר באופן מלא, "אמר סנגופטה.
בדרך זו, הרופאים יכולים לבדוק שוב עד כמה הרשת העצבית העמוקה עובדת – כמו מורה שבודק את העבודה על בעיית המתמטיקה של תלמיד – ולהגיב לשאלות של מטופלים לגבי התהליך.
"התוצאה היא מערכת שקופה יותר, מהימנה יותר בין הרופא למטופל", אמר סנגופטה.
X מסמן את הנקודה
החוקרים הכשירו את המודל שלהם בשלוש משימות שונות לאבחון מחלות, כולל יותר מ-20,000 תמונות בסך הכל.
ראשית, המודל סקר ממוגרפיות מדומה ולמד לסמן סימנים מוקדמים של גידולים. שנית, הוא ניתח תמונות טומוגרפיה קוהרנטיות אופטית של הרשתית, שם הוא תרגל זיהוי הצטברות בשם Drusen שעשוי להיות סימן מוקדם של ניוון מקולרי. שלישית, המודל חקר צילומי חזה ולמד לזהות קרדיומגליה, מצב של הגדלת לב שעלול להוביל למחלה.
לאחר הכשרה של מודל יצירת המפות, החוקרים השוו את הביצועים שלו למערכות AI קיימות בקופסה שחורה – אלה ללא הגדרת פרשנות עצמית. המודל החדש ביצע בהשוואה למקביליו בכל שלוש הקטגוריות, עם שיעורי דיוק של 77.8% עבור ממוגרפיה, 99.1% עבור תמונות OCT של רשתית, ו-83% עבור צילומי רנטגן של החזה בהשוואה ל-77.8%, 99.1% ו-83.33 הקיימים. %
שיעורי הדיוק הגבוהים הללו הם תוצר של הרשת העצבית העמוקה, שהשכבות הלא ליניאריות שלה מחקות את הגוון של נוירונים אנושיים.
כדי ליצור מערכת כל כך מסובכת, החוקרים קילפו את הבצל הפתגם ושאבו השראה מרשתות עצביות ליניאריות, שהן פשוטות וקלות יותר לפרש.
"השאלה הייתה: כיצד נוכל למנף את המושגים מאחורי מודלים ליניאריים כדי להפוך גם רשתות עצביות עמוקות לא-לינאריות לניתנות לפירוש כך?" אמר החוקר הראשי מארק אנסטסיו, חוקר ממכון בקמן ופרופסור דונלד ביגר ווילט וראש המחלקה לביו-הנדסה באילינוי. "עבודה זו היא דוגמה קלאסית לאופן שבו רעיונות בסיסיים יכולים להוביל לכמה פתרונות חדשים עבור מודלים מתקדמים של AI."
החוקרים מקווים שמודלים עתידיים יוכלו לזהות ולאבחן חריגות בכל הגוף ואף להבדיל ביניהן.
"אני נרגש מהתועלת הישירה של הכלי שלנו לחברה, לא רק במונחים של שיפור אבחוני המחלה אלא גם בשיפור האמון והשקיפות בין הרופאים והמטופלים", אמר אנסטסיו.
