ШІ навчили аналізувати зразки тканин за підходом патологів
Дослідники розробили систему штучного інтелекту Pathology-o3, яку навчили переглядати цифрові зображення зразків тканин за принципом роботи патологів. Алгоритм спершу сканує весь препарат із низькою роздільною здатністю, визначає ділянки для детальнішого огляду, а потім аналізує їх у вищій роздільній здатності. Про результати дослідження, опублікованого в липні в журналі Nature, повідомляє Live Science.
Навчання на діях фахівців
На відміну від багатьох систем, що працюють із заздалегідь відібраними фрагментами або ділять препарат на ділянки фіксованого розміру, новий підхід враховує навігацію фахівця по зображенню. Патологи під час роботи переміщуються по препарату, змінюють масштаб і зупиняються на підозрілих зонах.
Команда записала дії восьми патологів під час перегляду препаратів: переміщення зображенням та зміну збільшення. Дослідники відфільтрували випадкові рухи, залишивши дії, які свідчили про цілеспрямовану увагу. Результати також зіставили з даними відстеження руху очей. Для кожної оглянутої ділянки ШІ формував коротке пояснення, яке фахівці могли прийняти, відредагувати або відхилити.
Більше актуальних новин читайте у Telegram-каналі UA.News.
Результати перевірки
Pathology-o3 тестували на зображеннях лімфатичних вузлів, отриманих у випадках колоректального раку. Частина препаратів містила метастатичний рак, який раніше позначили патологами. Система правильно визначила всі препарати з раком, однак 15,5% препаратів, які вона позначила як позитивні, насправді були негативними.
Для порівняння, OpenAI o3 правильно виявив 87,5% позитивних препаратів, а 53,3% позначених ним як позитивні зразків фактично не містили раку. На незалежному наборі даних, якого алгоритм раніше не бачив, Pathology-o3 правильно ідентифікував 97,6% позитивних зразків; серед позначених ним позитивних 37,1% виявилися негативними.
Можливе застосування
Автори роботи не порівнювали Pathology-o3 безпосередньо з патологами й не оцінювали, чи зробить система роботу лікарів точнішою або швидшою. На думку не залученого до дослідження фахівця з аналізу даних Стенфордського університету Мохаммада Асаді, алгоритм недостатньо точний для самостійного встановлення діагнозу, але може допомагати фахівцеві звернути увагу на зони, які варто перевірити. Наступний експеримент команди має порівняти роботу патологів із системою та без неї.
