Kunstmatige intelligentie (AI) heeft een reëel potentieel voor het verbeteren van zowel de snelheid als de nauwkeurigheid van medische diagnostiek. Maar voordat clinici de kracht van AI kunnen gebruiken om omstandigheden in afbeeldingen zoals röntgenfoto's te identificeren, ze moeten de algoritmen 'leren' waar ze op moeten letten.

Het identificeren van zeldzame pathologieën in medische beelden vormt een aanhoudende uitdaging voor onderzoekers, vanwege de schaarste aan beelden die kunnen worden gebruikt om AI-systemen te trainen in een gesuperviseerde leeromgeving.

Professor Shahrokh Valaee en zijn team hebben een nieuwe aanpak ontworpen:machine learning gebruiken om computergegenereerde röntgenfoto's te maken om AI-trainingssets te verbeteren.

"In zekere zin we gebruiken machine learning om machine learning te doen, " zegt Valee, een professor in The Edward S. Rogers Sr. Department of Electrical &Computer Engineering (ECE) aan de Universiteit van Toronto. "We maken gesimuleerde röntgenfoto's die bepaalde zeldzame omstandigheden weerspiegelen, zodat we ze kunnen combineren met echte röntgenfoto's om een ​​voldoende grote database te hebben om de neurale netwerken te trainen om deze omstandigheden in andere röntgenfoto's te identificeren."

Valaee is lid van het Machine Intelligence in Medicine Lab (MIMLab), een groep artsen, wetenschappers en technische onderzoekers die hun expertise op het gebied van beeldverwerking combineren, kunstmatige intelligentie en medicijnen om medische uitdagingen op te lossen. "AI heeft het potentieel om op talloze manieren te helpen op het gebied van geneeskunde, " zegt Valaee. "Maar om dit te doen hebben we veel gegevens nodig - de duizenden gelabelde afbeeldingen die we nodig hebben om deze systemen te laten werken, bestaan ​​gewoon niet voor sommige zeldzame omstandigheden."

Om deze kunstmatige röntgenstralen te maken, het team gebruikt een AI-techniek, een deep convolutional generatief adversarial netwerk (DCGAN) genaamd, om de gesimuleerde afbeeldingen te genereren en continu te verbeteren. GAN's zijn een soort algoritme dat bestaat uit twee netwerken:een die de afbeeldingen genereert en de andere die synthetische afbeeldingen probeert te onderscheiden van echte afbeeldingen. De twee netwerken zijn zo getraind dat de discriminator geen onderscheid kan maken tussen echte beelden en gesynthetiseerde. Zodra er voldoende kunstmatige röntgenstralen zijn gemaakt, ze worden gecombineerd met echte röntgenstralen om een ​​diep convolutief neuraal netwerk te trainen, die vervolgens de afbeeldingen classificeert als normaal of een aantal voorwaarden identificeert.

"We hebben kunnen laten zien dat kunstmatige gegevens die zijn gegenereerd door diepe convolutionele GAN's kunnen worden gebruikt om echte gegevenssets te vergroten, ", zegt Valaee. "Dit levert een grotere hoeveelheid gegevens op voor training en verbetert de prestaties van deze systemen bij het identificeren van zeldzame aandoeningen."

Het MIMLab vergeleek de nauwkeurigheid van hun uitgebreide dataset met de originele dataset wanneer deze door hun AI-systeem werd gevoerd en ontdekte dat de classificatienauwkeurigheid met 20 procent verbeterde voor veelvoorkomende omstandigheden. Voor sommige zeldzame aandoeningen, nauwkeurigheid verbeterd tot ongeveer 40 procent - en omdat de gesynthetiseerde röntgenfoto's niet van echte individuen zijn, kan de dataset gemakkelijk beschikbaar zijn voor onderzoekers buiten het ziekenhuisgebouw zonder de privacykwesties te schenden.

"Het is opwindend omdat we een hindernis hebben genomen bij het toepassen van kunstmatige intelligentie in de geneeskunde door aan te tonen dat deze uitgebreide datasets helpen om de nauwkeurigheid van de classificatie te verbeteren, "zegt Valaee. "Deep learning werkt alleen als het volume aan trainingsgegevens groot genoeg is en dit is een manier om ervoor te zorgen dat we neurale netwerken hebben die beelden met hoge precisie kunnen classificeren."