Model AI yang dikembangkan oleh Beckman Institute memungkinkan diagnosis medis yang tepat dengan peta visual sebagai penjelasan, meningkatkan komunikasi dokter-pasien, dan memfasilitasi deteksi penyakit secara dini.
Pakar diagnostik medis, asisten dokter, dan kartografer adalah sebutan yang adil untuk model kecerdasan buatan yang dikembangkan oleh para peneliti di Beckman Institute for Advanced Science and Technology.
Model baru mereka secara akurat mengidentifikasi tumor dan penyakit dalam gambar medis dan diprogram untuk menjelaskan setiap diagnosis dengan peta visual. Transparansi unik alat ini memungkinkan dokter dengan mudah mengikuti alur pemikirannya dan memeriksa ulang ketepatandan jelaskan hasilnya kepada pasien.
“Idenya adalah untuk membantu mendeteksi kanker dan penyakit pada tahap awal – seperti tanda X pada peta – dan memahami bagaimana keputusan itu dibuat. Model kami akan membantu menyederhanakan proses tersebut dan mempermudah dokter dan pasien,” kata Sourya Sengupta, penulis utama studi dan asisten peneliti pascasarjana di Beckman Institute.
Penelitian ini muncul di Transaksi IEEE pada Pencitraan Medis.
Kucing, anjing, bawang, dan monster
Pertama kali dikonsep pada tahun 1950-an, kecerdasan buatan — konsep yang memungkinkan komputer belajar beradaptasi, menganalisis, dan memecahkan masalah seperti yang dilakukan manusia — telah mendapat pengakuan luas, sebagian berkat ChatGPT dan rangkaian alat yang mudah digunakan.
Pembelajaran mesin, atau ML, adalah salah satu dari banyak metode yang digunakan peneliti untuk menciptakan sistem kecerdasan buatan. Bagi AI, ML sama dengan pendidikan pengemudi bagi anak berusia 15 tahun: lingkungan yang terkendali dan diawasi untuk mempraktikkan pengambilan keputusan, kalibrasi ke lingkungan baru, dan mengubah rute setelah terjadi kesalahan atau salah belok.
Pembelajaran mendalam — pembelajaran mesinKerabatnya yang lebih bijaksana dan lebih duniawi — dapat mencerna informasi dalam jumlah yang lebih besar untuk membuat keputusan yang lebih tepat. Model pembelajaran mendalam memperoleh kekuatan penentunya dari simulasi komputer terdekat yang kita miliki dengan otak manusia: jaringan saraf dalam.
Jaringan-jaringan ini – sama seperti manusia, bawang, dan ogre – memiliki lapisan, sehingga sulit dinavigasi. Semakin tebal lapisannya, atau nonlinier, semak intelektual suatu jaringan, semakin baik ia melakukan tugas-tugas kompleks yang mirip manusia.
Para peneliti di Beckman Institute yang dipimpin oleh Mark Anastasio (kanan) dan Sourya Sengupta mengembangkan model kecerdasan buatan yang dapat secara akurat mengidentifikasi tumor dan penyakit dalam gambar medis. Alat ini menggambar peta untuk menjelaskan setiap diagnosis, membantu dokter mengikuti alur pemikirannya, memeriksa keakuratannya, dan menjelaskan hasilnya kepada pasien. Kredit: Jenna Kurtzweil, Kantor Komunikasi Beckman Institute
Pertimbangkan jaringan saraf yang dilatih untuk membedakan gambar kucing dan gambar anjing. Model ini belajar dengan meninjau gambar di setiap kategori dan menyimpan ciri-ciri pembedanya (seperti ukuran, warna, dan anatomi) untuk referensi di masa mendatang. Akhirnya, sang model belajar memperhatikan kumis dan menangis Doberman saat lidahnya terkulai.
Namun jaringan saraf dalam tidaklah sempurna – seperti halnya balita yang terlalu bersemangat, kata Sengupta, yang mempelajari pencitraan biomedis di Departemen Teknik Elektro dan Komputer Universitas Illinois Urbana-Champaign.
“Kadang-kadang mereka melakukannya dengan benar, bahkan mungkin hampir sepanjang waktu, namun hal itu mungkin tidak selalu dilakukan karena alasan yang benar,” katanya. “Saya yakin semua orang mengenal seorang anak yang pernah melihat seekor anjing berwarna coklat berkaki empat dan kemudian berpikir bahwa setiap hewan berwarna coklat berkaki empat adalah seekor anjing.”
Keluhan Sengupta? Jika Anda bertanya kepada balita bagaimana mereka mengambil keputusan, mereka mungkin akan memberi tahu Anda.
“Tetapi Anda tidak bisa bertanya pada jaringan saraf dalam bagaimana mereka bisa mendapatkan jawabannya,” katanya.
Masalah kotak hitam
Ramping, terampil, dan cepat, jaringan saraf dalam berjuang untuk menguasai keterampilan penting yang diajarkan kepada siswa kalkulus sekolah menengah: menunjukkan pekerjaan mereka. Hal ini disebut sebagai masalah kotak hitam kecerdasan buatan dan telah membingungkan para ilmuwan selama bertahun-tahun.
Di permukaan, membujuk pengakuan dari jaringan yang enggan mengira anjing Pomeranian sebagai kucing tampaknya tidak terlalu penting. Namun gravitasi kotak hitam semakin tajam seiring dengan semakin berubahnya gambar-gambar tersebut. Misalnya: gambar rontgen dari mammogram yang mungkin mengindikasikan tanda-tanda awal kanker payudara.
Proses penguraian kode gambar medis terlihat berbeda di berbagai wilayah di dunia.
“Di banyak negara berkembang, terdapat kelangkaan dokter dan banyaknya pasien. AI dapat membantu dalam skenario ini,” kata Sengupta.
Ketika waktu dan bakat sangat dibutuhkan, pemeriksaan citra medis otomatis dapat digunakan sebagai alat bantu – tidak menggantikan keterampilan dan keahlian dokter, kata Sengupta. Sebaliknya, model AI dapat memindai gambar medis terlebih dahulu dan menandai gambar yang mengandung sesuatu yang tidak biasa – seperti tumor atau tanda awal penyakit, yang disebut biomarker – untuk ditinjau oleh dokter. Cara ini menghemat waktu dan bahkan dapat meningkatkan kinerja orang yang bertugas membaca pindaian.
Model-model ini bekerja dengan baik, namun sikap mereka di samping tempat tidur masih jauh dari harapan ketika, misalnya, seorang pasien bertanya mengapa sistem AI menandai suatu gambar sebagai mengandung (atau tidak mengandung) tumor.
Secara historis, para peneliti telah menjawab pertanyaan-pertanyaan seperti ini dengan serangkaian alat yang dirancang untuk menguraikan kotak hitam dari luar ke dalam. Sayangnya, para peneliti yang menggunakannya sering kali dihadapkan pada keadaan yang sama seperti penyadap yang malang, bersandar pada pintu yang terkunci dengan ruang kosong. kaca ke telinga mereka.
“Akan jauh lebih mudah jika kita hanya membuka pintu, masuk ke dalam ruangan, dan mendengarkan percakapan secara langsung,” kata Sengupta.
Yang lebih memperumit masalah ini, terdapat banyak variasi alat penafsiran ini. Ini berarti bahwa kotak hitam apa pun dapat ditafsirkan dengan cara yang “masuk akal tetapi berbeda”, kata Sengupta.
“Dan sekarang pertanyaannya adalah: penafsiran mana yang Anda yakini?” dia berkata. “Ada kemungkinan pilihan Anda akan dipengaruhi oleh bias subjektif Anda, dan di situlah letak masalah utama metode tradisional.”
Solusi Sengupta? Jenis model AI yang benar-benar baru yang menafsirkan dirinya sendiri setiap saat – yang menjelaskan setiap keputusan, alih-alih melaporkan biner “tumor versus non-tumor,” kata Sengupta.
Dengan kata lain, tidak diperlukan gelas air karena pintunya telah hilang.
Memetakan modelnya
Seorang yogi yang mempelajari suatu postur baru harus mempraktikkannya berulang kali. Model AI yang dilatih untuk membedakan kucing dari anjing dengan mempelajari gambar kedua hewan berkaki empat yang tak terhitung jumlahnya.
Model AI yang berfungsi sebagai asisten dokter dimunculkan dengan ribuan gambar medis, beberapa dengan kelainan dan beberapa tanpa kelainan. Saat dihadapkan pada sesuatu yang belum pernah dilihat sebelumnya, ia menjalankan analisis cepat dan mengeluarkan angka antara 0 dan 1. Jika angkanya kurang dari 0,5, gambar tersebut tidak dianggap mengandung tumor; angka yang lebih besar dari 0,5 memerlukan pengamatan lebih dekat.
Model AI baru Sengupta meniru pengaturan ini dengan cara yang berbeda: model menghasilkan nilai ditambah peta visual yang menjelaskan keputusannya.
Peta tersebut – yang oleh para peneliti disebut sebagai peta kesetaraan, atau disingkat E-map – pada dasarnya adalah versi transformasi dari sinar-X asli, mammogram, atau media gambar medis lainnya. Seperti kanvas yang dilukis dengan angka, setiap wilayah di E-map diberi nomor. Semakin besar nilainya, semakin menarik secara medis wilayah tersebut untuk memprediksi adanya anomali. Model merangkum nilai-nilai untuk mencapai angka akhir, yang kemudian menginformasikan diagnosis.
“Misalnya, jika jumlah totalnya adalah 1, dan Anda memiliki tiga nilai yang terwakili di peta – 0,5, 0,3, dan 0,2 – seorang dokter dapat melihat dengan tepat area mana di peta yang berkontribusi lebih besar terhadap kesimpulan tersebut dan menyelidiki area mana yang lebih besar. sepenuhnya,” kata Sengupta.
Dengan cara ini, dokter dapat memeriksa ulang seberapa baik jaringan saraf dalam bekerja — seperti seorang guru yang memeriksa tugas matematika siswanya — dan menjawab pertanyaan pasien tentang prosesnya.
“Hasilnya adalah sistem yang lebih transparan dan dapat dipercaya antara dokter dan pasien,” kata Sengupta.
x menandai titiknya
Para peneliti melatih model mereka pada tiga tugas diagnosis penyakit yang berbeda termasuk lebih dari 20.000 gambar total.
Pertama, model tersebut meninjau simulasi mammogram dan mempelajari tanda-tanda awal tumor. Kedua, mereka menganalisis gambar tomografi koherensi optik retina, di mana mereka berlatih mengidentifikasi penumpukan yang disebut Drusen yang mungkin merupakan tanda awal degenerasi makula. Ketiga, model tersebut mempelajari rontgen dada dan belajar mendeteksi kardiomegali, suatu kondisi pembesaran jantung yang dapat menyebabkan penyakit.
Setelah model pembuatan peta dilatih, para peneliti membandingkan kinerjanya dengan sistem AI kotak hitam yang sudah ada – sistem yang tidak memiliki pengaturan interpretasi mandiri. Model baru ini memiliki kinerja yang sebanding dengan model serupa di ketiga kategori, dengan tingkat akurasi sebesar 77,8% untuk mammogram, 99,1% untuk gambar OCT retina, dan 83% untuk rontgen dada dibandingkan dengan model yang ada yaitu 77,8%, 99,1%, dan 83,33. %
Tingkat akurasi yang tinggi ini merupakan produk dari jaringan saraf dalam, yang lapisan non-liniernya meniru nuansa neuron manusia.
Untuk menciptakan sistem rumit seperti itu, para peneliti mengupas pepatah dan mengambil inspirasi dari jaringan saraf linier, yang lebih sederhana dan mudah untuk diinterpretasikan.
“Pertanyaannya adalah: Bagaimana kita dapat memanfaatkan konsep di balik model linier untuk membuat jaringan saraf dalam non-linier juga dapat diinterpretasikan seperti ini?” kata peneliti utama Mark Anastasio, peneliti Beckman Institute dan Profesor Donald Biggar Willet serta Kepala Departemen Bioteknologi Illinois. “Karya ini adalah contoh klasik tentang bagaimana ide-ide mendasar dapat menghasilkan solusi baru untuk model AI yang canggih.”
Para peneliti berharap model masa depan dapat mendeteksi dan mendiagnosis kelainan di seluruh tubuh dan bahkan membedakannya.
“Saya gembira dengan manfaat langsung alat kami bagi masyarakat, tidak hanya dalam hal meningkatkan diagnosis penyakit tetapi juga meningkatkan kepercayaan dan transparansi antara dokter dan pasien,” kata Anastasio.
Referensi: “Pendekatan Berbasis Estimasi Statistik Uji untuk Membangun Pengklasifikasi Biner Berbasis CNN yang Dapat Diinterpretasikan Sendiri” oleh Sourya Sengupta dan Mark A. Anastasio, 1 Januari 2024, Transaksi IEEE pada Pencitraan Medis.
DOI: 10.1109/TMI.2023.3348699
