AI nauczono analizować próbki tkanek według podejścia patologów

Naukowcy opracowali system sztucznej inteligencji Pathology-o3, który nauczono przeglądać cyfrowe obrazy próbek tkanek zgodnie ze sposobem pracy patologów. Algorytm najpierw skanuje cały preparat w niskiej rozdzielczości, określa obszary do dokładniejszego badania, a następnie analizuje je w wyższej rozdzielczości. O wynikach badania opublikowanego w lipcu w czasopiśmie Nature informuje Live Science.

Szkolenie na działaniach specjalistów

W przeciwieństwie do wielu systemów, które pracują z wcześniej wybranymi fragmentami lub dzielą preparat na obszary o stałym rozmiarze, nowe podejście uwzględnia nawigację specjalisty po obrazie. Patolodzy podczas pracy przemieszczają się po preparacie, zmieniają powiększenie i zatrzymują się na podejrzanych obszarach.

Zespół zarejestrował działania ośmiu patologów podczas przeglądania preparatów: przemieszczanie się po obrazie i zmianę powiększenia. Naukowcy odfiltrowali przypadkowe ruchy, pozostawiając działania wskazujące na celową uwagę. Wyniki porównano także z danymi śledzenia ruchu oczu. Dla każdego zbadanego obszaru AI tworzyła krótkie wyjaśnienie, które specjaliści mogli zaakceptować, edytować lub odrzucić.

Więcej aktualnych wiadomości na kanale UA.News w Telegramie Telegram.

Wyniki testów

Pathology-o3 testowano na obrazach węzłów chłonnych uzyskanych w przypadkach raka jelita grubego. Część preparatów zawierała raka z przerzutami, wcześniej oznaczonego przez patologów. System prawidłowo określił wszystkie preparaty z rakiem, jednak 15,5% preparatów, które oznaczył jako pozytywne, w rzeczywistości było negatywnych.

Dla porównania OpenAI o3 prawidłowo wykrył 87,5% pozytywnych preparatów, a 53,3% próbek oznaczonych przez niego jako pozytywne faktycznie nie zawierało raka. Na niezależnym zbiorze danych, którego algorytm wcześniej nie widział, Pathology-o3 prawidłowo zidentyfikował 97,6% pozytywnych próbek; spośród oznaczonych przez niego jako pozytywne 37,1% okazało się negatywnych.

Możliwe zastosowanie

Autorzy pracy nie porównywali Pathology-o3 bezpośrednio z patologami ani nie oceniali, czy system uczyni pracę lekarzy dokładniejszą lub szybszą. Zdaniem Mohammada Asadiego, specjalisty od analizy danych z Uniwersytetu Stanforda, który nie był zaangażowany w badanie, algorytm nie jest wystarczająco dokładny, by samodzielnie postawić diagnozę, ale może pomóc specjaliście zwrócić uwagę na obszary warte sprawdzenia. Kolejny eksperyment zespołu ma porównać pracę patologów z systemem i bez niego.

Czytaj nas na Telegram i Sends