Ljudski pristup u AI dijagnostici: novi algoritam preciznije otkriva rak od postojećih sistema

Umjetna inteligencija za detekciju raka daje bolje rezultate kada analizira patološke preparate dinamičkim pretragama sličnim onima koje koriste ljudi, pokazuje novo istraživanje objavljeno u časopisu Nature.

Tra-dicionalni AI sistemi za analizu tkiva često rade na fiksno odabranim regijama ili dijele cijeli preparat na jednake dijelove. Ljudski patolozi, s druge strane, dinamično pregledaju uzorak — kreću se po njemu, približavaju određena područja i zadržavaju pažnju na onima koja izazivaju sumnju.

Zhi Huang, pomoćni profesor patologije i laboratorijske medicine na Univerzitetu u Pennsylvaniji, opisao je proces kao pretragu helikopterom: "Ne počinjete pregledavanjem jednog kvadratnog metra tla." Prvo se skenira cijeli pejzaž, pa se približi sumnjiva regija.

Huang i kolege su razvili novi pristup pod nazivom "Pathology-CoT" (chain of thought), koji pretapa promjenjive radnje patologa u podatke za obuku AI sistema. Tim je kreirao alat koji snimio kako patolozi se kreću po preparatu i mijenjaju uvećanje.

Sirovi podaci su prikupljeni od osam patologa, a zatim su filtrirani da izdvoje namjerne radnje — trenutke kada je patolog zadržao pažnju na određenom pogledu ili trajno promijenio fokus. Tim je također koristio podatke o praćenju očiju kako bi provjerio da softver bilježi stvarna područja gledanja.

Za svaku regiju koju je patolog pregledao, AI model sastavio kratko objašnjenje zašto je vrijedna detaljnog pregleda i koje karakteristike su vidljive. Ljudski patolozi su zatim mogli prihvatiti, izmijeniti ili odbaciti ta objašnjenja.

Na osnovu ove metode tim je razvio novi alat nazvan Pathology-o3. On skenira preparat pri niskoj rezoluciji, koristi model obučena na ponašanju patologa da odabere regije za detaljniji pregled, pa šalje visokorezolucijske slike tih regija za analizu.

Cilj studije nije bio pokazati da Pathology-o3 nadmašuje specijalizovane AI modele obučene za detekciju specifičnih vrsta raka. Istraživači su željeli vidjeti da li novi pristup omogućava općem AI sistemu efikasniju navigaciju po patološkom preparatu.

Pathology-o3 je upoređen sa drugim općim AI sistemima, uključujući OpenAI o3. Algoritmi su testirani na preparatima limfnih čvorova iz slučajeva kolorektalnog raka, od kojih su neki sadržali metastatski rak koji su ljudi već označili.

Pathology-o3 je ispravno identificirao pozitivne preparate 100% puta. Međutim, od preparata koje je označio kao pozitivne, 15,5% su zapravo bili negativni. OpenAI o3 je ispravno identificirao pozitivne preparate u 87,5% slučajeva, a od onih koje je označio kao pozitivne, 53,3% su bili lažno pozitivni.

Huang je objasnio da je Pathology-o3 dizajniran da prijavljuje sumnjive regije radi daljeg pregleda, umjesto da riskira propuštanje raka. Ta strategija može objasniti stopu lažno pozitivnih rezultata.

Pravilnost lažnih alarmova zavisi od konteksta upotrebe Pathology-o3, napomenuo je Mohammad Asadi, data scientist.