Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'AI recense les caractéristiques précédemment inconnues concernant le pronostic de cancer

La technologie (AI) d'artificial intelligence développée par le centre de RIKEN pour le projet avancé de renseignement (AIP) au Japon a avec succès trouvé des caractéristiques dans des images de pathologie des malades du cancer humains, sans annotation, qui pourrait être comprise par les médecins humains. De plus, l'AI a recensé les caractéristiques concernant le pronostic de cancer qui n'ont pas été précédemment notées par des pathologistes, menant à un de grande précision de la récidive de cancer de la prostate comparée au diagnostic basé sur pathologiste. La combinaison des prévisions effectuées par l'AI avec des prévisions par les pathologistes humains a mené même à une grande précision.

Selon Yoichiro Yamamoto, le premier auteur de l'étude publiée dans des transmissions de nature,

Cette technologie a pu contribuer au médicament personnalisé en rendant la prévision hautement précise de la récidive de cancer possible en acquérant de nouvelles connaissances à partir des images. Elle pourrait également contribuer à comprendre comment l'AI peut être employée en toute sécurité en médicament par l'aide pour résoudre la question de l'AI étant vue pendant que « une boîte noire. «  »

L'organisme de recherche abouti par Yamamoto et Go Kimura, en collaboration avec un certain nombre de centres hospitaliers universitaires au Japon, a adopté apprendre non guidé appelé d'approche « . » Tant que les êtres humains enseignent l'AI, il n'est pas possible d'acquérir la connaissance au delà de ce qui est actuel connu. Plutôt qu'étant « a enseigné » des connaissances médicales, l'AI a été invité à apprendre utilisant les réseaux neuronaux profonds non guidés, connus sous le nom d'autoencoders, sans être donné n'importe quelles connaissances médicales. Les chercheurs ont développé une méthode pour traduire les caractéristiques trouvées par l'AI--numérote seulement au commencement--dans les images haute résolution qui peuvent être comprises par des êtres humains.

Pour exécuter cet exploit le groupe a acquis 13.188 images de guide de pathologie d'entier-affût de la prostate de l'hôpital de Faculté de Médecine du Nippon (NMSH), la quantité de caractéristiques était énorme, équivalent à approximativement 86 milliards de corrections d'image (sous-images divisées pour les réseaux neuronaux profonds), et le calcul a été exécuté sur le superordinateur puissant du RAIDEN de l'AIP.

L'AI a appris employant des images de pathologie sans annotation diagnostique de 11 millions de corrections d'image. Les caractéristiques trouvées par AI ont compris les critères diagnostiques de cancer qui ont été mondiaux utilisé, sur la rayure de Gleason, mais comportent également concerner la stroma--tissus conjonctifs supportant un organe--dans des endroits de non-cancer que les experts ne se rendaient pas compte de. Afin d'évaluer ces derniers AI-a trouvé des caractéristiques, l'organisme de recherche a vérifié le rendement de la prévision de récidive utilisant les cas restants de NMSH (validation interne). Le groupe a constaté que les caractéristiques découvertes par l'AI étaient plus précises (AUC=0.820) que des prévisions effectuées basé sur les critères humain-déterminés de cancer élaborés par des pathologistes, la rayure de Gleason (AUC=0.744). En outre, combinant AI-a trouvé que les caractéristiques et les critères humain-déterminés ont prévu la récidive plus exactement que suivre l'un ou l'autre de méthode seule (AUC=0.842). Le groupe a confirmé les résultats utilisant un autre ensemble de données comprenant 2.276 images de pathologie d'entier-affût (10 milliards de corrections d'image) de centre hospitalier universitaire de St Marianna et de centre hospitalier universitaire médical d'Aichi (validation externe).

« J'étais très heureux, » dit Yamamoto, « pour découvrir que l'AI pouvait recenser le cancer seule des images unannotated de pathologie. J'étais étonné extrêmement de voir qu'AI fonder les caractéristiques qui peuvent être employées pour prévoir la récidive que les pathologistes n'avaient pas recensée. »

Il continue, « nous ont prouvé que l'AI peut automatiquement acquérir la connaissance humain-compréhensible des images sans annotation diagnostiques d'histopathologie. Cette connaissance « nouveau-née » a pu être utile pour des patients en permettant des prévisions élevé-précises de récidive de cancer. Ce qui est très gentil est que nous avons trouvé cela combiner les prévisions de l'AI avec ceux d'un pathologiste a augmenté l'exactitude encore autre, prouvant que l'AI peut être employée de pair avec des médecins pour améliorer des soins médicaux. De plus, l'AI peut être employée comme outil pour découvrir des caractéristiques des maladies qui n'ont pas été notées jusqu'ici, et puisqu'il n'exige pas la connaissance humaine, elle pourrait être employée dans d'autres domaines en dehors de médicament. »

Source:
Journal reference:

Yamamoto, Y., et al. (2019) Automated acquisition of explainable knowledge from unannotated histopathology images. Nature Communications. doi.org/10.1038/s41467-019-13647-8.