Ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε από το Michigan Tech χρησιμοποιεί την πιθανότητα να ταξινομήσει με μεγαλύτερη ακρίβεια τον καρκίνο του μαστού που εμφανίζεται στις ιστοπαθολογικές εικόνες και να αξιολογήσει την αβεβαιότητα των προβλέψεών του. Στην εργασία τους που δημοσιεύτηκε πρόσφατα στο περιοδικό IEEE Transactions on Medical Imaging, οι μεταπτυχιακοί φοιτητές μηχανολογίας Ponkrshnan Thiagarajan και Pushkar Khairnar και η Susanta Ghosh, επίκουρη καθηγήτρια μηχανολογίας και ειδικός στη μηχανική μάθηση, σκιαγραφούν το νέο τους πιθανοτικό μοντέλο μηχανικής μάθησης.
Καρκίνος του μαστού: Μια πραγματική μάστιγα
Ο καρκίνος του μαστού είναι ο πιο συχνός καρκίνος με το υψηλότερο ποσοστό θνησιμότητας. Η ταχεία ανίχνευση και διάγνωση μειώνει τον αντίκτυπο της νόσου. Ωστόσο, η ταξινόμηση του καρκίνου του μαστού με χρήση ιστοπαθολογικών εικόνων είναι μια πρόκληση λόγω της μεροληψίας στα δεδομένα και της μη διαθεσιμότητας σχολιασμένων δεδομένων σε μεγάλες ποσότητες. Η αυτόματη ανίχνευση του καρκίνου του μαστού χρησιμοποιώντας το συνελικτικό νευρωνικό δίκτυο, μιας τεχνικής μηχανικής μάθησης, έχει αποδειχθεί πολλά υποσχόμενη. Ωστόσο, σχετίζεται με υψηλό κίνδυνο ψευδώς θετικών και ψευδώς αρνητικών.
Ένα νέο μοντέλο μηχανικής μάθησης που αναπτύχθηκε από ερευνητές του Τεχνολογικού Πανεπιστημίου του Μίσιγκαν μπορεί να αξιολογήσει την αβεβαιότητα στις προβλέψεις του καθώς ταξινομεί καλοήθεις και κακοήθεις όγκους, συμβάλλοντας στη μείωση αυτού του κινδύνου. “Οποιοσδήποτε αλγόριθμος μηχανικής μάθησης που έχει αναπτυχθεί μέχρι στιγμής θα έχει κάποια αβεβαιότητα στην πρόβλεψή του”, δήλωσε ο Thiagarajan. “Δεν υπάρχει τρόπος να ποσοτικοποιηθούν αυτές οι αβεβαιότητες. Ακόμα κι αν ένας αλγόριθμος μας λέει ότι ένα άτομο έχει καρκίνο, δεν γνωρίζουμε το επίπεδο εμπιστοσύνης σε αυτήν την πρόβλεψη.”
Λεπτομέρειες για το νέο μοντέλο μηχανικής μάθησης
Το μοντέλο Michigan Tech διαφοροποιεί τις αρνητικές και τις θετικές κατηγορίες αναλύοντας τις εικόνες, οι οποίες στο πιο βασικό τους επίπεδο είναι συλλογές pixel. Εκτός από αυτήν την ταξινόμηση, το μοντέλο μπορεί να μετρήσει την αβεβαιότητα στις προβλέψεις του. Σε ένα ιατρικό εργαστήριο, ένα τέτοιο μοντέλο υπόσχεται εξοικονόμηση χρόνου ταξινομώντας τις εικόνες γρηγορότερα από μια τεχνολογία εργαστηρίου. Και, επειδή το μοντέλο μπορεί να αξιολογήσει το δικό του επίπεδο βεβαιότητας, μπορεί να παραπέμψει τις εικόνες σε έναν άνθρωπο ειδικό όταν είναι λιγότερο σίγουρο.
Γιατί όμως ένας μηχανολόγος μηχανικός δημιουργεί αλγόριθμους για την ιατρική κοινότητα; Η ιδέα του Thiagarajan ξεκίνησε όταν άρχισε να χρησιμοποιεί μηχανική μάθηση για να μειώσει τον υπολογιστικό χρόνο που απαιτείται για προβλήματα μηχανολογίας. Είτε ένας υπολογισμός αξιολογεί την παραμόρφωση των δομικών υλικών είτε καθορίζει εάν κάποιος έχει καρκίνο του μαστού, είναι σημαντικό να γνωρίζουμε την αβεβαιότητα αυτού του υπολογισμού—οι βασικές ιδέες παραμένουν οι ίδιες. “Ο καρκίνος του μαστού είναι ένας από τους καρκίνους που έχει την υψηλότερη θνησιμότητα και την υψηλότερη συχνότητα εμφάνισης”, είπε ο Thiagarajan.