この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
信頼できる情報源
校正する
わかりました！ Mark Anastasio (右) と Sourya Sengupta が率いるベックマン研究所の研究者は、医療画像内の腫瘍や疾患を正確に識別できる人工知能モデルを開発しました。 このツールは、各診断を説明するためのマップを描画し、医師がその推論の流れに従い、正確性を確認し、結果を患者に説明するのに役立ちます。 クレジット: Jenna Kurtzweil、ベックマン研究所コミュニケーション オフィス
×閉じる
Mark Anastasio (右) と Sourya Sengupta が率いるベックマン研究所の研究者は、医療画像内の腫瘍や疾患を正確に識別できる人工知能モデルを開発しました。 このツールは、各診断を説明するためのマップを描画し、医師がその推論の流れに従い、正確性を確認し、結果を患者に説明するのに役立ちます。 クレジット: Jenna Kurtzweil、ベックマン研究所コミュニケーション オフィス
医療診断の専門家、医師の助手、地図作成者はすべて、ベックマン先端科学技術研究所の研究者によって開発された人工知能モデルの正当な称号です。
彼らの新しいモデルは、体内の腫瘍や疾患を正確に特定します。 医療画像 各診断を視覚的なマップで説明するようにプログラムされています。 このツールの独自の透明性により、医師はその推論の流れを簡単にたどり、正確性を再確認し、結果を患者に説明することができます。
「その目的は、地図上の X のように、がんや病気を初期の段階で発見し、その決定がどのように行われたかを理解するのに役立つことです。私たちのモデルは、そのプロセスを合理化し、医師と患者の両方を容易にするのに役立ちます」と Sourya 氏は述べています。 Sengupta 氏は、この研究の筆頭著者であり、ベックマン研究所の大学院研究助手です。
この研究は、 医用画像に関するIEEEトランザクション。
猫と犬と玉ねぎと鬼
1950 年代に初めて概念化された人工知能 (コンピューターも人間と同じように適応、分析、問題解決を学習できるという概念) は、ChatGPT とその使いやすいツールの拡張ファミリーのおかげで、一般家庭に認知されるようになりました。
機械学習 (ML) は、研究者が人工的に作成するために使用する多くの手法の 1 つです。 インテリジェントシステム。 AI にとっての ML は、15 歳のドライバーにとっての教育に相当します。つまり、意思決定、新しい環境への調整、間違いや間違った方向転換後のルート変更を練習するための、管理され監視された環境です。
ディープラーニング—機械学習より賢く、より世俗的な人間は、より大量の情報を消化して、より微妙な決定を下すことができます。 深層学習モデルは、人間の脳に最も近いコンピューター シミュレーションから決定的な力を引き出します。 ディープニューラルネットワーク。
これらのネットワークは、人間、タマネギ、オーガと同じように複数の層を持っているため、ナビゲートするのが困難です。 ネットワークの知的層が厚くなるほど、つまり非線形であればあるほど、複雑で人間のようなタスクをより適切に実行できます。
猫の写真と犬の写真を区別するように訓練されたニューラル ネットワークを考えてみましょう。 モデルは、各カテゴリの画像を確認し、将来の参照のためにその特徴 (サイズ、色、解剖学的構造など) をファイルに保存することで学習します。 最終的に、モデルはひげに注意し、舌のたるみの最初の兆候にドーベルマンのように泣くことを学びます。
しかし、ディープ ニューラル ネットワークは完全ではありません。熱心すぎる幼児と同じように、イリノイ大学アーバナ シャンペーン校電気・コンピューター工学科で生物医学イメージングを研究しているセングプタ氏は言います。
「彼らは時々、あるいはほとんどの場合、正しく判断することもありますが、常に正しい理由があるとは限りません」と彼は言う。 「一度茶色の4本足の犬を見た後、茶色の4本足の動物はすべて犬だと思った子供を誰もが知っていると思います。」
セングプタの不満？ 幼児にどうやって決めたか尋ねれば、おそらく答えてくれるでしょう。
「しかし、ディープニューラルネットワークに、どのようにして答えにたどり着いたのかを尋ねることはできません」と彼は言う。
ブラックボックス問題
洗練され、熟練し、スピーディーであるにもかかわらず、ディープ ニューラル ネットワークは、高校生の微積分の学生に教え込まれた独創的なスキル、つまり自分の作品を見せることを習得するのに苦労しています。 これはブラックボックス問題と呼ばれます 人工知能そしてそれは科学者たちを何年も困惑させてきました。
表面的には、ポメラニアンを猫と間違えたという消極的なネットワークから自白を引き出すことは、信じられないほど重要なことではないようです。 しかし、問題の画像が人生を変えるほど、ブラックボックスの重力はますます大きくなります。 例: 乳がんの初期兆候を示す可能性があるマンモグラフィーの X 線画像。
医療画像をデコードするプロセスは、世界の地域によって異なります。
「多くの発展途上国では医師が不足しており、患者が長蛇の列を作っている。こうした状況ではAIが役立つ可能性がある」とセングプタ氏は語った。
時間と人材の需要が高い場合、自動医用画像スクリーニングは補助ツールとして導入できますが、決して医師のスキルや専門知識に代わるものではないとセングプタ氏は述べました。 代わりに、AI モデルは医用画像を事前にスキャンし、異常なもの (腫瘍やバイオマーカーと呼ばれる病気の初期の兆候など) を含む画像にフラグを立てて、医師の審査を受けることができます。 この方法は時間を節約し、スキャンを読み取る任務を負った人のパフォーマンスを向上させることもできます。
これらのモデルはうまく機能しますが、たとえば、AI システムが画像に腫瘍を含む (または含まない) とフラグを立てた理由を患者が尋ねた場合、そのベッドサイドでの態度にはまだ不十分な点が多くあります。
歴史的に、研究者たちは、ブラック ボックスを外側から内側へ解読するように設計された多数のツールを使用して、このような質問に答えてきました。残念なことに、それらを使用する研究者は、空っぽの状態で施錠されたドアにもたれかかる不幸な盗聴者と同じような窮状に直面することがよくあります。ガラスを耳に当てます。
「ドアを開けて部屋の中に入って、会話を直接聞くことができれば、ずっと簡単だろう」とセングプタ氏は語った。
問題をさらに複雑にしているのは、これらの解釈ツールにはさまざまなバリエーションが存在することです。 これは、特定のブラックボックスが「もっともらしいが異なる」方法で解釈される可能性があることを意味するとセングプタ氏は述べた。
「そこで問題は、どちらの解釈を信じますか？」 彼は言った。 「あなたの選択が主観的な偏見に影響される可能性があり、そこに従来の方法の主な問題が潜んでいます。」
セングプタの解決策は？ セングプタ氏によると、毎回自らを解釈するまったく新しいタイプの AI モデルで、「腫瘍対非腫瘍」という二分法を当たり障りなく報告するのではなく、それぞれの決定を説明するという。
つまり、扉がなくなってしまったので水ガラスは必要ありません。
モデルのマッピング
新しい姿勢を学ぶヨギは、それを繰り返し練習する必要があります。 両方の四足動物の無数の画像を研究して、猫と犬を区別するように訓練された AI モデル。
医師のアシスタントとして機能する AI モデルは、異常のあるものとないものを含む数千枚の医療画像をもとに生成されます。 これまで見たことのないものに直面すると、迅速な分析が実行され、0 から 1 までの数値が出力されます。数値が 0.5 未満の場合、画像には腫瘍が含まれているとは見なされません。 0.5 より大きい数値は、詳しく調べる必要があります。
Sengupta の新しい AI モデルは、この設定を一工夫して模倣しています。モデルは値と、その決定を説明する視覚的なマップを生成します。
研究者らは等価マップ、または略して E マップと呼んでいるこのマップは、基本的に元の X 線、マンモグラム、またはその他の医療画像媒体を変換したものです。 数字でペイントするキャンバスと同様に、E マップの各領域には番号が割り当てられます。 値が大きいほど、その領域は異常の存在を予測する上で医学的に興味深いものになります。 モデルは値を合計して最終的な数値を算出し、それが診断に反映されます。
「たとえば、合計が 1 で、地図上に 0.5、0.3、0.2 という 3 つの値が表示されている場合、医師は地図上のどの領域がその結論に最も寄与しているかを正確に確認し、それらをさらに調査することができます。完全に」とセングプタ氏は語った。
このようにして、医師はディープ ニューラル ネットワークがどの程度うまく機能しているかを再確認できます (教師が生徒の数学の問題の取り組み状況をチェックしているのと同じです)。また、そのプロセスに関する患者の質問に答えることができます。
「その結果、医師と患者の間でより透明性が高く信頼できるシステムが実現した」とセングプタ氏は語った。
X はスポットをマークします
研究者らは、合計 20,000 枚以上の画像を含む 3 つの異なる疾患診断タスクでモデルをトレーニングしました。
まず、モデルはシミュレートされたマンモグラムをレビューし、腫瘍の初期兆候を示す方法を学習しました。 次に、網膜の光干渉断層撮影画像を分析し、黄斑変性症の初期兆候である可能性があるドルーゼンと呼ばれる蓄積物を特定する練習をしました。 第三に、モデルは胸部 X 線写真を研究し、病気を引き起こす可能性のある心臓肥大の状態である心肥大を検出する方法を学習しました。
地図作成モデルのトレーニングが完了すると、研究者らはそのパフォーマンスを既存のブラックボックス AI システム (自己解釈設定のないシステム) と比較しました。 新しいモデルは、3 つのカテゴリすべてで同等の性能を発揮し、精度率はマンモグラムで 77.8%、網膜 OCT 画像で 99.1%、胸部 X 線で 83% でした。これに対し、既存のモデルは 77.8%、99.1%、83.33 でした。 %
これらの高い精度は、人間のニューロンのニュアンスを模倣した非線形層であるディープ ニューラル ネットワークの成果です。
このような複雑なシステムを作成するために、研究者らはことわざのタマネギの皮をむき、よりシンプルで解釈しやすい線形ニューラル ネットワークからインスピレーションを得ました。
「問題は、線形モデルの背後にある概念をどのように活用して、非線形ディープ ニューラル ネットワークもこのように解釈可能にすることができるかということでした。」 ベックマン研究所の研究者であり、ドナルド・ビガー・ウィレット教授でイリノイ生物工学部長の主任研究者であるマーク・アナスタシオ氏は述べた。 「この研究は、基本的なアイデアが最先端の AI モデルの新しいソリューションにどのようにつながるかを示す典型的な例です。」
研究者らは、将来のモデルが体中の異常を検出して診断し、さらにはそれらを区別できるようになることを期待している。
「病気の診断を改善するだけでなく、医師と患者の間の信頼と透明性を向上させるという点でも、私たちのツールが社会に直接利益をもたらすことに興奮しています」とアナスタシオ氏は語った。
詳しくは：
Sourya Sengupta 他、自己解釈可能な > ベースのバイナリ分類子を確立するためのテスト統計推定ベースのアプローチ、医用画像に関する IEEE トランザクション (2024)。 DOI: 10.1109/TMI.2023.3348699
1709589448
#新しい #モデルは病気を診断するための地図を描画します
2024-03-04 21:43:04