Mesterséges intelligencia alkalmazásai a képalkotásban

Közösségek - AI - Mesterségs Intelligencia | 2019. szeptember 14. 18:41 | Utolsó módosítás dátuma - 2024. október 10. 22:39 | Forrás: HealthManagement.org VOLUME 18, ISSUE 6, 2018, 484-487.

A mesterséges intelligencia hatása a radiológiára egészen lenyűgöző; mind a szakkereskedők, mind a tudományos központok igen széles tartományban készítenek mesterséges intelligencián alapuló alkalmazásokat és neurális hálózatokat, hogy segítsenek a klinikai radiológusoknak a klinikai döntéshozatalban és a diagnózis felállításában.

A mesterséges intelligencia (AI) egy igen felkapott téma lett a medicina területén az elmúlt években, különösen a radiológia területén. Minden hónapban megjelenik egy-egy kutatás, amely az egészségügyi képalkotás különböző alkalmazási területeit kutatja, a képfeldolgozástól a kép értelmezésén át a prognoszikai kiértékelésig. Ezeket a fejlesztési területeket a radiomika folyamatosan fejlődő területén lehet concepcionalizálni, amelyek felhasználásánál több kötegnyi adat születik a képek kiértékelésekor. Ezekről már bizonyított, hogy igen nehéz őket a hagyományos, statisztikai módszerekkel kiértékelni, és hogy a különböző klinikai területeken kevésbé felhasználhatóak. Így a kutatók olyan AI-ok és szoftverekhez nyúltak, amelyekkel jobban képesek lehetnek radiomikus adatokat kezelni, hogy azokat a gyakorlatba is alkalmazhatóvá tegyék. A gépek öntanulása az AI kutatás egyik alterülete, amely olyan algoritmusok fejlesztésén alapszik, amely által a gépek tanulhatnak az adatok által a mellet, hogy közben, különösebb előzetes programozás nélkül, képesek legyenek megfelelő predikciókat alkotni (1. ábra). Azon feladatok közül, melyek ezekhez társíthatók:

• Klasszifikáció: Egy adott eset hozzárendelése kettő, vagy több, korábban megcímkézett osztályhoz.
• Regresszió: Klasszifikáció, mely a diszkrét címkézés helyett folyamatos outputon alapszik.
• Klaszterezés: Inputok csoportba rendezése előre megadott osztályok nélkül.
• Kiterjedtég számítás: Az inputok térbeli kiterjedésének outputba helyezése.
• Dimenzionális redukció: Esetek feltérképezése egy alacsonyabb dimenziójú területre.

Ezeket a technikai fejlesztéseket a medicinán kívül számos területen használják széles körűen. Az egészségügyi  képalkotás kontextusában a klasszifikációs problémák a leginkább érintettek az öntanuló alkalmazások által. Például a léziók differenciált diagnosztikája a beteg prognózisának felállításában egy igen gyakori kutatási célnak számít. A gépek öntanulásának algoritmusait a tanulás típusától függően további alterületekre lehet szétosztani. Felügyelet melletti tanulás esetén, melyet gyakrabban alkalmaznak a radiológiában a klasszifikáció érdekében, az adatot a betanítási procedúra előtt felcímkézik, melyeket referencia alapnak is használnak az algoritmusok teljesítményének értékelésére is alkalmaznak a tesztelés alatt. Felügyeletlen tanulás esetén nem címkézik fel előre az adatot, és a szoftver automatikusan klaszterezi a megadott inputot. A megerősítő tanulás alatt az algoritmus,  a számára kijelölt feladatban nyújtott teljesítményével kapcsolatos folyamatos visszacsatolás mellett tanul, más szóval tanul a hibáiból. Végezetül pedig ezek mind kombinálhatóak a predikciós teljesítmény javítása érdekében (2. ábra).

„a kutatók olyan AI-ok és szoftverekhez nyúltak, amelyekkel jobban képesek lehetnek radiomikus adatokat kezelni, hogy azokat a gyakorlatba is alkalmazhatóvá tegyék”

Adatkinyerés

A legtöbb algoritmus a képekből kinyert adatokkal dolgozik a prediktív modellek kialakítása előtt. A leggyakrabban használt adatkinyerő technikák mind az un. „textura analízis” jelző alá rendelhetőek. Ez kiértékeli a képek inhomogenitásait, melyet a pixelek, vagy voxelek értékeinek elosztásában tesz láthatóvá (pl.: A tomográfiában, ill. CT-ben használt Honusfield egységek, vagy a mágneses rezonancia intenzitásának értéke az MRI során). Összefoglalva, számos statisztikai formula van, amelyekkel kinyerhetőek az alakzat-alapú, histogram- (pl.: első rendű statisztika) és mátrix-derivált (pl.: szürke szintes többesetes mátrixok, szürke szintes futómátrixok) paraméterek. A fő különbség az első és magasabb szintű statisztikák között, hogy az utóbbi a pixelek és voxelek értékeinek területi eloszlásáról is megtartanak információkat. Továbbá, az eredeti kép adatain kívül egyéb információt is képes kinyerni a képből különböző szűrők alkalmazásával. A leggyakrabban használtak ezek közül a Gauss filterek családjába tartozó laplace szűrők, melyek adott szigma értékeken alapulva, képesek a kép textúraélességét, nyersségét és hullám szintű lebontását, csökkentve a kép zajszintjét, mellyel a textúra egyéb elemei előtérbe kerülhetnek. Végezetül az egyes algoritmusok, mint a neurális hálók, nem igényelnek előre elvégzett adatkinyerést, csakis input címkézést.

Neurális hálózatok

A neurális hálózatok egy különleges alcsoportját alkotják a gépi tanulás elméletének, mely a tényleges agy működése alapján épül fel, a rejtett rétegek között a belső neuronokkal. Egy egyszerűbb modell úgy értelmezheti az adatot, mint egy vektor, mely a voxelek intenzításából épül fel, melyben minden voxel egy input „neuronként” szolgál. Ezt követően el kell dönteni, hogy mennyi réteget (mennyire mély) és rétegenként mennyi neuront (vagyis mennyire széles) kell tartalmaznia, amelyet „neuron architektúraként” ismerünk. Minden neuron egy számosított értéket foglal magában, és a neuronok között létesített összes kapcsolat jelzi a súlyozást. A súlyozás többféleképpen köti a neuront a különböző rétegekhez, mely jelzi a neuronok kötésének erősségét is. A súlyozás megfelelő értékét a gyakorló periódus során adják meg, amely szükséges a megfelelő klasszifikációhoz. Egy „teljes kötésben” lévő réteg, melyben minden neuron az adott rétegen összeköttetésben áll a következő réteg neuronjaival úgy értelmezhető és alkalmazható, mint egy mátrix sokszorosítás. A legutolsó réteg kódolja a kívánt eredményeket, vagy lecímkézett állapotokat (3. ábra). Például, ha valaki egy képet az alapján akar osztályozni, hogy „van vérzés” (haemmorhagia), vagy „nincs vérzés”, akkor a két utolsó réteg neuronjai megfelelőek (Zaharchuk et al. 2018).

„Az automatizált szegmentációs technológia adja a klinikai alkalmazhatóságának kiterjesztésének lehetőségét a gépi öntanulás területén”

Képalkotó alkalmazások

A gépi öntanuláson alapuló alkalmazások nem korlátozódnak a léziók érzékelésére és felismerésére, mégis ez a legtöbb kutatás fókuszpontja. Az AI-nak számos egyéb felhasználható területe van az egészségügyi képalkotáson belül is, mint a képi adatok kinyerése, szegmentációja és értelmezése, melyek mind mások, mint egyszerű detekciók. AI-t használva kevesebb adat kinyerése is lehetséges a gyorsabb képalkotás érdekében, mialatt az MR képek információ tartalmát meg lehet tartani, vagy akár tovább is lehet növelni. Mindez úgy lehetséges, hogy a mesterséges neurális hálókat úgy tanítják be, hogy felismerje a struktúráját a képnek, illetve az, hogy mely tulajdonságokat szokás a képen belül klaszterelni. A Facebook és a New Yorki Egyetem (NYU) kijelentette, hogy azon dolgoznak jelenleg, miként lehet az MRI alapú szűréseket 10x-esre meggyorsítani. NYU a tervek szerint 3 millió MR képet fog biztosítani a Facebooknak a térdről, agyról és a májról, hogy az algoritmusok fejlesztését elősegítsék, beleértve a nyers, szkennelés során kinyert adatokat is. Továbbá egy intelligens MR képalkotó képes felismerni az adott léziót és az optimális karakterizáció érdekében javaslatokat tenni a képszerzés folyamatának módosítására. A medikai környezetben alkotott képek automatizált szegmentációja egy igen érdekes felhasználási területe a gépi öntanulás területén. Habár a manuális szegmentáció továbbra is az arany középutat jelenti, limitációi már megmutatkoztak a belső és külső olvasási reprodukció területén. Számos tanulmány bizonyította az AI jelentősségét ezen feldolgozást követő feladatok elvégzésében, melyeknek pontossága és reprodukciós képessége jóval magasabb lehet. Példaként vegyük a bal szívkamra vizsgálatát a 4D MRI vizsgálatok során, amely gyorsabb és automatizált felmérését biztosíthatják a szív működésének (Ngo et al. 2017). Ezen adottságok mellett számos forgalomban lévő termék, melynek alapja a gépi tanulás, elérhető és felhasználható a klinikai gyakorlatban. A mélytanulást már a mellkas szövetének felügyeletlen szegmentációjakor is alkalmazzák a mammográfiai vizsgálatok során, mely igen hasznos a reprodukálható értékelés elérése érdekében a mellkas kompozícióját tekintve, ahogyan azt a jelenlegi képalkotással kapcsolatban kiadott útmutatók is előírják (Pedoia et al. 2016). Valószínűleg a neuroradiológia területén mutatkozott eddig a legnagyobb fejlődés. A mélytanuló hálózatok hihetetlen hasznosnak mutatkoztak nem csupán az agy szövetének és struktúrájának szegmentációjában, hanem egyéb szövetek vizsgálatakor is (Akkus et al. 2017). Végezetül pedig igen érdekes eredményeket értek el az automatizált szegmentáció területén a teljes-képes vizsgálatok során úgy, mint azon CT vizsgálatoknál melyeket a stádiumbeosztás során alkalmaznak (Pola net al. 2016). Az automatizált szegmentációs technológia adja a klinikai alkalmazhatóságának kiterjesztésének lehetőségét a gépi öntanulás területén, amiképpen az azt leginkább limitáló problémákat, mint az időigényes utófeldolgozás, orvosolásához is hozzájárul. A radiológusoknak nagyszámú képek vizsgálatát kell elvégezniük, így a detekciót és lokalizációt támogató eszközök a releváns területeken igencsak kívánatosak. Az eltérések automata detekciója az egészségügyben alkotott képek területén, melyek alapját a gépek öntanulását kihasználó alkalmazások adják, jóval túlmegy a géppel történő detekció és a géppel történő diagnózis határain, amelyeket már évtizedek óta alkalmaznak.

Például a tüdőrák szűrő programok eddig soha nem látott mértékű mellkas CT vizsgálati képet fognak alkotni a közeljövőben, melyeket a radiológusnak le kell tudni olvasni ahhoz, hogy dönthessenek a beteg kezelési stratégiája. Számos tanulmány született már az AI eszközök felfedezése és validációja terén, például a véletlenszerű felfedezések kinyerésének területén úgy, mint a pulmonalis és pajzsmirigy nodulusok, a mellrákszűrések és csontkorosodás analízisén belül. Egyéb alkalmazási területeknek bizonyulhatnak a prosztata daganatok MRI alapú szűrése, a coronariák kalciumszintjének meghatározása, vagy az agy lézióinak felfedezése és szegmentációja (Choí et al. 2018). A képek értelmezése talán a radiológusok munkájának legkihívóbb része. Egy adott terület magas szintű ismerete lehet szükséges ahhoz, hogy megfelelő kiértékelést tehessünk. A gépi öntanulás leggyakoribb alkalmazása a pulmonológiai nodulusok kiértékeléséhez kötődik, amelyben a tanulmányok szerint jó eredmények mutatkoznak a különböző rákok kimutatásában (Causey et al. 2018). A másik terület, ahol a fejlett géptanulásban alkalmazott radomikai kiértékelések igen érdekes eredményeket mutattak az az agyi tumorok klasszifikációjában mutatkoztak. Számos tanulmány mutatja gliómák molekuláris szintű kategorizációjában rejlő lehetőségeket MRI segítségével, mely szerepet játszik a kezelési megközelítés meghatározásában, miközben elkerülhetővé teheti az invazívabb eljárások alkalmazását (Lu et al. 2018). A mellrák diagnózisa is ígéretes területnek bizonyult az AI klinikai felhasználásában, mind a mammográfiai, mind az MRI vizsgálatok alatt a radomikus tulajdonságszűrés használatát követően. Az adrenális léziók meghatározása még egy potenciális terület, amelyben a gépi öntanulás ígéretes eredményeket mutatott, csökkentve az intravénás kontrasztanyag adminisztrációját az MRI vizsgálatok során (Romeo et al. 2018). Jelenleg is van egy klinikailag elismert szoftver, amely képes diagnosztizálni például az intracraniális haemorrhágiát, elsődlegesé téve a kimutatások leolvasását a klinikai gyakorlatban, vagy a potenciális stroke kimutatására, előre figyelmeztetve az illetékes elemeket a rendszeres radiológiai vizsgálatokat megelőzően, csökkentve a szükséges időt kritikus helyzetekben.

Összegzés

A napi radiológiai munkafolyamatok során alkalmazott AI alkalmazások megnövekedett aránya növekedett életminőség és elégedettséget jelenthet a beteg részéről. Az olyan időigényes eljárások, mint a képek szegmentációja, automatizálhatóvá tehetők, miközben a detekció és az értelmezés növekedett támogatása is elérhető lehetne.

Kulcspontok

1. A mesterséges intelligencia első alkalmazási területei közé tartozik a detekció, csökkentve a falspozitív eredmények arányát
2. Az utóbbi években jelentősen megnőtt a medikai képalkotásban alkalmazott mesterséges intelligenciával működő alkalmazásokkal foglalkozó tanulmányok száma
3. A mesterséges intelligencia másik feladata a diagnosztikán túl a betegségek klasszifikációja, mely elérhetővé teszi a lokális és diffúz betegségek számosított karakterizációját
4. A gépi öntanuló algoritmusok és a neurális hálózatok nem csupán a képeken felfedezett találatok analízisét teszik lehetővé, hanem a genom adatok és a betegek adatainak elektronikus kezelését is, mellyel klasszifikációs lehetőségeket és egyéb javaslatokat tehet a radiológusnak a képek adatainak értelmezésekor.

Referálta:

dr. Fekete Balázs Imre
DE KEK Központi Radiológiai Diagnosztika