Patoloģijas AI modeļi atklāj demogrāfiskas novirzes vēža diagnostikā

Patoloģijas AI modeļi atklāj demogrāfiskas novirzes vēža diagnostikā

Patoloģija jau sen ir bijusi vēža diagnostikas un ārstēšanas stūrakmens. Patologs mikroskopā rūpīgi pārbauda īpaši plānu cilvēka audu daļu, lai atrastu pazīmes, kas norāda uz vēža klātbūtni, veidu un stadiju.

Cilvēku ekspertam skatīšanās uz virpuļojošu rozā audu paraugu, kas izraibināts ar purpursarkanām šūnām, ir kā izmeklējuma vērtēšana bez nosaukuma — slaids atklāj būtisku informāciju par slimību, nesniedzot sīkāku informāciju par pacientu.

Tomēr tas pats ne vienmēr attiecas uz mākslīgā intelekta modeļiem patoloģijā, kas ir parādījušies pēdējos gados. Jauns pētījums, ko vadīja Hārvardas Medicīnas skolas komanda, liecina, ka šie modeļi var kaut kādā veidā secināt demogrāfisko informāciju no patoloģijas slaidiem, izraisot vēža diagnozes novirzes dažādās populācijās.

Analizējot vairākus galvenos patoloģijas AI modeļus vēža diagnostikai, pētnieki atklāja nevienlīdzīgu veiktspēju vēža noteikšanā un diferencēšanā dažādās populācijās, pamatojoties uz pacientu pašu ziņoto dzimumu, rasi un vecumu. Viņi identificēja vairākus iespējamos šīs demogrāfiskās novirzes skaidrojumus.

Pēc tam komanda izstrādāja sistēmu FAIR-Path, kas palīdzēja samazināt modeļu novirzi.

Demogrāfisko datu lasīšana no patoloģijas slaida cilvēka patologam tiek uzskatīta par “neiespējamo misiju”, tāpēc patoloģijas AI novirze mums bija pārsteigums.

Kun-Hsing Yu, vecākais autors, biomedicīnas informātikas asociētais profesors, HMS Blavatnika institūts un HMS patoloģijas docents Brigamas un sieviešu slimnīcā

AI neobjektivitātes noteikšana un apkarošana medicīnā ir ļoti svarīga, jo tā var ietekmēt diagnostikas precizitāti, kā arī pacienta rezultātus, sacīja Yu. FAIR-Path panākumi liecina, ka pētnieki ar minimālu piepūli var uzlabot AI modeļu godīgumu vēža patoloģijām un, iespējams, arī citiem mākslīgā intelekta modeļiem medicīnā.

Darbs, ko daļēji atbalsta federālais finansējums, ir aprakstīts 16. decembrīŠūnu ziņojumi Medicīna.

Pārbaudiet neobjektivitāti

Yu un viņa komanda pārbaudīja neobjektivitāti četros standarta AI patoloģijas modeļos, kas izstrādāti vēža novērtēšanai. Šie dziļās mācīšanās modeļi tika apmācīti anotētu patoloģijas slaidu komplektos, no kuriem viņi “iemācīja” bioloģiskos modeļus, kas ļauj analizēt jaunus slaidus un veikt diagnozes.

Pētnieki baroja AI modeļus ar lielu, starpinstitūciju arhīvu ar 20 vēža veidu patoloģijas priekšmetstikliņiem.

Viņi atklāja, ka visiem četriem modeļiem bija novirzīta veiktspēja un tie sniedza mazāk precīzas diagnozes pacientiem noteiktās grupās, pamatojoties uz pašnovērtēto rasi, dzimumu un vecumu. Piemēram, modeļiem bija grūtības atšķirt plaušu vēža apakštipus afroamerikāņu un vīriešu kārtas pacientiem un krūts vēža apakštipus jaunākiem pacientiem. Modeļiem bija arī grūtības noteikt krūts, nieru, vairogdziedzera un kuņģa vēzi noteiktās populācijās. Šīs veiktspējas atšķirības radās aptuveni 29 procentos no modeļu veiktajiem diagnostikas uzdevumiem.

Yu teica, ka šī diagnostikas neprecizitāte ir tāpēc, ka šie modeļi iegūst demogrāfisko informāciju no slaidiem un paļaujas uz demogrāfiskiem specifiskiem modeļiem, lai diagnosticētu.

Rezultāti bija negaidīti, "jo mēs sagaidām objektīvu patoloģijas novērtējumu," Yu piebilda. "Novērtējot attēlus, mums nav obligāti jāzina pacienta demogrāfiskie dati, lai noteiktu diagnozi."

Komanda brīnījās: kāpēc patoloģija AI neuzrādīja tādu pašu objektivitāti?

Meklēju skaidrojumus

Pētnieki nāca klajā ar trim skaidrojumiem.

Tā kā pacientiem noteiktās populācijās ir vieglāk iegūt paraugus, AI modeļi tiek apmācīti uz nevienlīdzīgiem paraugu izmēriem. Tas apgrūtina modeļu precīzas diagnozes noteikšanu paraugos, kas nav pietiekami labi pārstāvēti apmācību komplektā, piemēram, mazākumtautību grupām, pamatojoties uz rasi, vecumu vai dzimumu.

Bet "problēma bija daudz dziļāka," sacīja Ju. Pētnieki pamanīja, ka modeļi dažkārt bija sliktāki iedzīvotāju grupā, pat ja izlases lielumi bija salīdzināmi.

Papildu analīzē atklājās, ka tas var būt saistīts ar atšķirībām slimību izplatībā: daži vēža veidi ir biežāk sastopami noteiktās grupās, padarot modeļus labākus diagnozes noteikšanā šajās grupās. Tā rezultātā modeļiem var būt grūtības diagnosticēt vēzi populācijās, kur tie nav tik izplatīti.

AI modeļi arī uztver smalkas molekulārās atšķirības paraugos no dažādām demogrāfiskajām grupām. Piemēram, modeļi var noteikt mutācijas vēža izraisītāju gēnos un izmantot tos kā vēža veida aizstājēju, un tāpēc tie ir mazāk efektīvi diagnozes noteikšanā populācijās, kurās šīs mutācijas ir retāk sastopamas.

"Mēs noskaidrojām, ka AI jauda ļauj tai atšķirt daudzus neskaidrus bioloģiskos signālus, kurus nevar noteikt ar parasto cilvēka interpretāciju," sacīja Ju.

Tas ļauj modeļiem potenciāli apgūt signālus, kas ir vairāk saistīti ar demogrāfiskajiem rādītājiem, nevis slimībām. Tas savukārt varētu ietekmēt viņu diagnostikas spējas dažādās grupās.

Kopumā Yu saka, ka šie skaidrojumi liecina, ka patoloģijas AI novirze izriet ne tikai no mainīgās apmācības datu kvalitātes, bet arī no tā, kā pētnieki apmāca modeļus.

Atrodi risinājumu

Pēc neobjektivitātes apjoma un cēloņu novērtēšanas Yu un viņa komanda nolēma problēmu novērst.

Pētnieki izstrādāja FAIR-Path, vienkāršu sistēmu, kas balstīta uz esošu mašīnmācīšanās koncepciju, ko sauc par kontrastējošu mācīšanos. Kontrastīvā mācīšanās AI apmācībai pievieno elementu, kas modelim māca uzsvērt atšķirības starp svarīgām kategorijām - šajā gadījumā vēzi - un mazināt atšķirības starp mazāk svarīgām kategorijām - šajā gadījumā demogrāfiskajām grupām.

Kad pētnieki izmantoja FAIR-Path sistēmu pārbaudītajiem modeļiem, tas samazināja diagnostikas atšķirības par aptuveni 88 procentiem.

"Mēs parādām, ka, izmantojot šo nelielo korekciju, modeļi var apgūt spēcīgas funkcijas, kas padara tos vispārināmākus un godīgākus dažādās populācijās," sacīja Ju.

Viņš piebilda, ka rezultāts ir iepriecinošs, jo tas liecina, ka novirzes var samazināt pat bez modeļu apmācības par pilnīgi godīgiem, reprezentatīviem datiem.

Pēc tam Yu un viņa komanda sadarbojas ar iestādēm visā pasaulē, lai pārbaudītu patoloģijas AI novirzes apmēru vietās ar atšķirīgu demogrāfisko stāvokli un atšķirīgu klīnisko un patoloģisko praksi. Viņi arī pēta veidus, kā paplašināt FAIR-Path, iekļaujot iestatījumus ar ierobežotu izlases lielumu. Turklāt viņi vēlas izpētīt, kā AI neobjektivitāte veicina demogrāfiskās atšķirības veselības aprūpē un pacientu rezultātos.

Galu galā Yu teica, ka mērķis ir izveidot godīgus, objektīvus patoloģijas AI modeļus, kas var uzlabot vēža ārstēšanu, palīdzot cilvēku patologiem ātri un precīzi noteikt diagnozi.

"Es domāju, ka ir cerība, ka, ja būsim apzinātāki un uzmanīgāki AI sistēmu izstrādē, mēs varam izstrādāt modeļus, kas labi darbojas jebkurā populācijā," viņš teica.

Avoti: