Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il AI identifica le funzionalità precedentemente sconosciute relative alla prognosi del cancro

La tecnologia di intelligenza (AI) artificiale sviluppata dal centro di RIKEN per il progetto avanzato di intelligenza (AIP) nel Giappone ha trovato con successo le funzionalità nelle immagini di patologia dai malati di cancro umani, senza annotazione, che potrebbe essere capita da medici umani. Ulteriormente, il AI ha identificato le funzionalità relative alla prognosi del cancro che precedentemente non sono state notate dai patologi, piombo ad un'più alta accuratezza della ricorrenza del carcinoma della prostata confrontata alla diagnosi basata a patologo. Combinando le previsioni fatte dal AI con le previsioni dai patologi umani piombo ad un'accuratezza ancora maggior.

Secondo Yoichiro Yamamoto, il primo autore dello studio ha pubblicato nelle comunicazioni della natura,

Questa tecnologia ha potuto contribuire a medicina personale permettendo la previsione altamente accurata della ricorrenza del cancro acquisendo la conoscenza nuova dalle immagini. Potrebbe anche contribuire a capire come il AI può essere utilizzato sicuro nella medicina contribuendo a risolvere l'emissione di AI che è veduto mentre “una scatola nera. “„

Il gruppo di ricerca piombo tramite Yamamoto e Go Kimura, in collaborazione con una serie di ospedali universitari nel Giappone, ha adottato un approccio chiamato “l'apprendimento non supervisionato.„ Finchè gli esseri umani insegnano al AI, non è possibile acquisire la conoscenza oltre che cosa corrente è conosciuto. Piuttosto che essendo “ha insegnato„ alla conoscenza medica, il AI è stato chiesto di imparare facendo uso delle reti neurali profonde non supervisionate, conosciute come i autoencoders, senza essere dato alcuna conoscenza medica. I ricercatori hanno messo a punto un metodo per la traduzione delle funzionalità trovate dal AI--numera soltanto inizialmente--nelle immagini ad alta definizione che possono essere capite dagli esseri umani.

Per eseguire questa abilità il gruppo ha acquistato 13.188 immagini diapositive di patologia del intero-supporto della prostata dall'ospedale della facoltà di medicina del Giappone (NMSH), la quantità di dati era enorme, equivalente a circa 86 miliardo toppe di immagine (sotto-immagini divise per le reti neurali profonde) ed il calcolo è stato eseguito sul supercomputer potente del RAIDEN del AIP.

Il AI ha imparato usando le immagini di patologia senza annotazione diagnostica da 11 milione toppe di immagine. Le funzionalità trovate da AI hanno compreso i criteri diagnostici del cancro che sono stati usati universalmente, sul punteggio di Gleason, ma egualmente caratterizza la coinvoluzione dello stroma--tessuti connettivi che supportano un organo--nelle aree del non Cancro che gli esperti non erano informati di. Per valutare questi AI-ha trovato le funzionalità, il gruppo di ricerca ha verificato la prestazione della previsione di ricorrenza facendo uso dei casi restanti da NMSH (convalida interna). Il gruppo ha trovato che le funzionalità scoperte dal AI erano più accurate (AUC=0.820) che le previsioni fatte basato sui criteri umano-stabiliti del cancro sviluppati dai patologi, il punteggio di Gleason (AUC=0.744). Ancora, combinandosi sia AI-ha trovato che le funzionalità che i criteri umano-stabiliti hanno predetto più esattamente la ricorrenza facendo uso di qualsiasi metodo di solo (AUC=0.842). Il gruppo ha confermato i risultati facendo uso di un altro gruppo di dati compreso 2.276 immagini di patologia del intero-supporto (10 miliardo toppe di immagine) dall'ospedale universitario della st Marianna e dall'ospedale universitario medico di Aichi (convalida esterna).

“Ero molto felice,„ dice Yamamoto, “per scoprire che il AI poteva identificare il cancro da sè dalle immagini unannotated di patologia. Estremamente sono stato sorpreso vedere che AI trovare le funzionalità che possono essere usate per predire la ricorrenza che i patologi non avevano identificato.„

Continua, “noi ha indicato che il AI può acquisire automaticamente la conoscenza umano-comprensibile dalle immagini senza annotazione diagnostiche dell'istopatologia. Questa conoscenza “neonata„ ha potuto essere utile per i pazienti permettendo le previsioni alto-accurate della ricorrenza del cancro. Che cosa è molto piacevole è che abbiamo scoperto che quello si combina le previsioni del AI con quelli di un patologo ha aumentato l'accuratezza ancora ulteriore, indicando che il AI può essere usato congiuntamente con medici per migliorare l'assistenza medica. Inoltre, il AI può essere usato come strumento per scoprire le caratteristiche delle malattie che non sono state notate finora e poiché non richiede la conoscenza umana, potrebbe essere utilizzata in altri campi fuori di medicina.„

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.