Crowdsourced AI Challenge για τη Βελτίωση της Ανάλυσης Μαμμογραφίας Λήγει

Οι μαμμογραφίες είναι σημαντικές για την υγεία των γυναικών και για την έγκαιρη ανίχνευση ενδείξεων καρκίνου του μαστού. Ωστόσο, οι μαμμογραφίες απαιτούν την παρέμβαση ανθρώπινων ειδικών για την ερμηνεία τους, και ακόμη και οι εξειδικευμένοι ειδικοί κάνουν λάθη. Υπολογίζεται ότι ο ποσοστό ψευδώς θετικών μαμμογραφιών είναι περίπου 10% στις ΗΠΑ. Για να δημιουργηθούν συστήματα πουใหθούν πιο ακριβείς αναγνώσεις μαμμογραφιών, η Ψηφιακή Μαμμογραφία (DM) Dream Challenge έχει δημιουργήσει πρόσφατα μια crowdsourced προσπάθεια για την ανάπτυξη νέων αλγορίθμων ανάγνωσης μαμμογραφιών

Όπως αναφέρει το PhysicsWorld, οι τεχνικές υπολογιστικής όρασης και οι αλγόριθμοι βαθιάς μάθησης έχουν γίνει πιο εξελιγμένοι τα τελευταία χρόνια, οι ερευνητές και οι μηχανικοί στρέφονται προς τη χρήση της τεχνητής νοημοσύνης για την ερμηνεία μαμμογραφιών, με στόχο την αύξηση της ακρίβειας. Η Ψηφιακή Μαμμογραφία (DM) Dream Challenge ξεκίνησε einen διαγωνισμό για την έρευνα της χρήσης αλγορίθμων τεχνητής νοημοσύνης για την αναγνώριση πιθανών σημείων καρκίνου του μαστού.

Η DM Dream Challenge είναι η μεγαλύτερη μελέτη αλγορίθμων βαθιάς μάθησης σχετικά με την ερμηνεία μαμμογραφιών μέχρι τώρα. Ο Justin Guinney, ο πρόεδρος των DREAM Challenges, εξήγησε ότι ο λόγος για τις προκλήσεις είναι ότι επέτρεψε μια δομημένη αξιολόγηση δεκάδων αλγορίθμων βαθιάς μάθησης σε δύο διαφορετικές βάσεις δεδομένων. Οι συμμετέχοντες στον διαγωνισμό έπρεπε να σχεδιάσουν αλγόριθμους που θα μπορούσαν να εκπαιδευτούν σε δεδομένα μαμμογραφίας και να εξόδουν ένα ποσοστό που ένας ασθενής θα διαγνωσθεί με καρκίνο του μαστού μέσα σε ένα χρόνο. Υπήρχε επίσης μια δευτερεύουσα πρόκληση. Στο δεύτερο έργο, οι αλγόριθμοι επιτρεπόταν να εκπαιδευτούν σε πρόσθετες πληροφορίες όπως δημογραφικά δεδομένα κινδύνου, κλινικά δεδομένα και εικόνες από προηγούμενες εξετάσεις.

Χρησιμοποιήθηκαν δύο συνόλου δεδομένων για την εκπαίδευση των μοντέλων. Το πρώτο σύνολο δεδομένων ήταν το Kaiser Permanente Washington (KPW) dataset, το οποίο συλλέχθηκε από ερευνητές στις ΗΠΑ. Εν τω μεταξύ, ένα δεύτερο σύνολο δεδομένων συλλέχθηκε από Σουηδούς ερευνητές στο Ινστιτούτο Karolinska (KI).

Περισσότεροι από 1100 συμμετέχοντες εντάχθηκαν στον διαγωνισμό, χωρισμένοι σε 126 διαφορετικές ομάδες και αποτελούμενοι από ανθρώπους από όλο τον κόσμο. Κατά τη διάρκεια του πρώτου μέρους του διαγωνισμού, τα μοντέλα εκπαιδεύτηκαν χρησιμοποιώντας το σύνολο δεδομένων KPW, το οποίο περιελάμβανε εικόνες από πάνω από 140.000 εξετάσεις. Όταν συγκρίθηκαν τα αποτελέσματα του δεύτερου διαγωνισμού, βρέθηκε ότι η πρόσβαση σε περισσότερες λειτουργίες όπως κλινικά δεδομένα δεν βελτίωσε σημαντικά την αναγνωριστική δύναμη των αλγορίθμων. Ωστόσο, η ομάδα DM Dream πρότεινε ότι η μελλοντική ανάπτυξη αλγορίθμων πρέπει να περιλαμβάνει την ανάλυση προηγούμενων εικόνων για τους ασθενείς, υποθέτοντας ότι οι συμμετέχοντες μπορεί να μην έχουν αξιοποιήσει πλήρως τα δεδομένα.

Σύμφωνα με το Health IT Analytics, η ομάδα DR Dream θέλει να συνεργαστεί με τις οκτώ καλύτερες ομάδες και να σχεδιάσει ένα μοντέλο ταξινόμησης, για να δει αν αυτό το μοντέλο θα μπορούσε να ξεπεράσει τα ατομικά μοντέλα. Οι συντονιστές του διαγωνισμού χρησιμοποίησαν μια σταθμισμένη συσσωρευτική των προβλέψεων των verschiedenen αλγορίθμων, δημιουργώντας το Challenge Ensemble Model (CEM). Οι προβλέψεις του μοντέλου CEM συγκρίθηκαν με τις ερμηνείες των ακτινολόγων, όπως αξιολογήθηκαν χρησιμοποιώντας την ειδικότητα. Οι ακτινολόγοι πέτυχαν 90,5% ειδικότητα, ενώ το μοντέλο CEM πέτυχε μόνο 76,1% ειδικότητα. Αν και τα αποτελέσματα φαίνονται απογοητευτικά, όταν οι προβλέψεις του μοντέλου CEM και η ερμηνεία των ακτινολόγων συγχωνεύθηκαν σε ένα άλλο μοντέλο (CEM+R), η ειδικότητα βελτιώθηκε στο 92%.

Παρόμοια αποτελέσματα επιτεύχθηκαν στο σύνολο δεδομένων KI, το οποίο χρησιμοποιήθηκε αποκλειστικά για την επικύρωση των μοντέλων, το οποίο περιελάμβανε εικόνες από πάνω από 166.000 εξετάσεις. με το μοντέλο CEM να είναι ελαφρώς κατώτερο από τους ακτινολόγους (92,5% ειδικότητα σε σύγκριση με 96,7% ειδικότητα), αλλά το CEM+R να επιτυγχάνει καλύτερα αποτελέσματα (98,5% ειδικότητα).

Ενώ κανένα από τα ατομικά μοντέλα δεν μπόρεσε να ξεπεράσει τους ανθρώπινους ειδικούς, το μοντέλο CEM+R saw了一οπτική优势 σε σύγκριση με την ερμηνεία των ακτινολόγων μόνο. Θα μπορούσε να είναι δυνατό ότι η συνδυασμένη ανθρώπινη直覺 με einen βοηθό τεχνητής νοημοσύνης θα μπορούσε να βελτιώσει την ακρίβεια.