Программа, которая способна диагностировать рак
Инженеры из Массачусетского технологического института (США) разработали решение, использующее алгоритмы искусственного интеллекта, для обнаружения рака груди и постановки диагноза. Инструмент, использующий систему машинного обучения, способен спрогнозировать, может ли идентифицированное при биопсии после маммографии поражение перерасти в рак, требующее проведения операции. Тем самым это решение позволяет пациентам избежать потенциально ненужных процедур.
В настоящее время, когда маммограмма обнаруживает подозрительно выглядящие ткани, проводится забор ткани на биопсию, чтобы понять, является ли это онкологическим заболеванием. Примерно 70% подобных поражений ткани являются доброкачественными, 20% - злокачественными и 10% - очень опасными. Ткани груди классифицируются как "находящиеся в зоне риска", если после биопсии будет сделан вывод, что существует большая вероятность, что они могут перерасти в раковую опухоль. Сегодня обычно рекомендуется удалить такие ткани из-за высокого риска, хотя многие такие поражения не представляют непосредственной угрозы.
Используя метод, известный как "классификатор на базе алгоритма случайного леса"*, алгоритм искусственного интеллекта позволяет проводить на 30% меньше операций, если сравнивать его с обычно применяемой сегодня стратегией проведения операции в любом случае, когда есть риск образования опухолей. При этом система позволяет точно диагностировать возможность перерождения тканей в раковые (97% по сравнению с 79%), чем при применении стандартных методик.
Новая технология была "натренирована" на основе базы данных о 600 высокорисковых поражений тканей и при диагностике ищет шаблоны данных, включающих в себя, в том числе, гистологию поражений, демографию, семейную историю, возраст, результаты последних биопсий и отчеты патологов.
Этот метод планируется внедрить в клиническую практику в Массачусетской центральной больнице в течение будущего года.
* Случайный лес (англ. Random forest) - алгоритм машинного обучения, заключающийся в использовании ансамбля деревьев решений. Алгоритм сочетает в себе две основные идеи: метод бэггинга Бреймана, и метод случайных подпространств, предложенный Tin Kam Ho. Этот алгоритм применяется для задач классификации, регрессии и кластеризации.
