Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O AI identifica as características previamente desconhecidas relevantes ao prognóstico do cancro

A tecnologia de inteligência (AI) artificial desenvolvida pelo centro de RIKEN para projecto avançado da inteligência (AIP) em Japão encontrou com sucesso características em imagens da patologia das pacientes que sofre de cancro humanas, sem anotação, que poderia ser compreendida por doutores humanos. Mais, o AI identificou as características relevantes ao prognóstico do cancro que não foram notadas previamente por patologistas, conduzindo a uma precisão mais alta do retorno do cancro da próstata comparada ao diagnóstico patologista-baseado. Combinar as previsões feitas pelo AI com as previsões por patologistas humanos conduziu a uma precisão mesmo maior.

De acordo com Yoichiro Yamamoto, o primeiro autor do estudo publicou em comunicações da natureza,

Esta tecnologia podia contribuir à medicina personalizada tornando a previsão altamente exacta do retorno do cancro possível adquirindo o conhecimento novo das imagens. Poderia igualmente contribuir a compreender como o AI pode ser usado com segurança na medicina ajudando resolver a introdução do AI que está sendo considerado como uma “caixa negra. “”

O grupo de investigação conduzido por Yamamoto e Go Kimura, em colaboração com um número de hospitais da universidade em Japão, adotou uma aproximação chamada “aprendizagem unsupervised.” Enquanto os seres humanos ensinam o AI, não é possível adquirir o conhecimento além do que é sabido actualmente. Um pouco do que sendo “ensinou” o conhecimento médico, o AI foi pedido para aprender usando as redes neurais profundas unsupervised, conhecidas como autoencoders, sem ser dada nenhum conhecimento médico. Os pesquisadores desenvolveram um método para traduzir as características encontradas pelo AI--numera somente inicialmente--nas imagens de alta resolução que podem ser compreendidas por seres humanos.

Para executar este repto o grupo adquiriu 13.188 imagens de corrediça da patologia da inteiro-montagem da próstata do hospital da Faculdade de Medicina de Nipónico (NMSH), a quantidade de dados era enorme, equivalente a aproximadamente 86 bilhão correcções de programa da imagem (secundário-imagens divididas para redes neurais profundas), e a computação foi executada no super-computador poderoso do RAIDEN do AIP.

O AI aprendeu usando imagens da patologia sem anotação diagnóstica de 11 milhão correcções de programa da imagem. As características encontradas pelo AI incluíram os critérios diagnósticos do cancro que foram usados no mundo inteiro, na contagem de Gleason, mas igualmente caracterizam o envolvimento do estroma--tecidos conjuntivos que apoiam um órgão--em áreas do não-cancro que os peritos não estavam cientes de. A fim avaliar estes AI-encontrou características, o grupo de investigação verificou o desempenho da previsão do retorno usando os casos restantes de NMSH (validação interna). O grupo encontrou que as características descobertas pelo AI eram mais exactas (AUC=0.820) do que as previsões feitas baseado nos critérios humano-estabelecidos do cancro desenvolvidos por patologistas, a contagem de Gleason (AUC=0.744). Além disso, combinando AI-encontrou que as características e os critérios humano-estabelecidos previram o retorno mais exactamente do que usando um ou outro método apenas (AUC=0.842). O grupo confirmou os resultados usando um outro conjunto de dados que inclui 2.276 imagens da patologia da inteiro-montagem (10 bilhão correcções de programa da imagem) do hospital da universidade do St. Marianna e do hospital da universidade médica de Aichi (validação externo).

“Eu estava muito feliz,” diz Yamamoto, “descobrir que o AI podia identificar o cancro no seus próprios das imagens unannotated da patologia. Eu fui surpreendido extremamente ver que AI para encontrar as características que podem ser usadas para prever o retorno que os patologistas não tinham identificado.”

Continua, “nós mostrou que o AI pode automaticamente adquirir o conhecimento humano-compreensível das imagens anotação-livres diagnósticas da histopatologia. Este conhecimento “recém-nascido” podia ser útil para pacientes permitindo previsões altamente precisos do retorno do cancro. O que é muito agradável é que nós encontramos aquele combinar as previsões do AI com aqueles de um patologista aumentou a precisão mesmo mais adicional, mostrando que o AI pode ser usado em conjunto com doutores para melhorar cuidados médicos. Além, o AI pode ser usado como uma ferramenta para descobrir características das doenças que não têm sido notadas até agora, e desde que não exige o conhecimento humano, poderia ser usado em outros campos fora da 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.