Nowy system oparty na sztucznej inteligencji do analizy obrazów wykonywanych w różnych momentach może z dużą dokładnością wykrywać zmiany i przewidywać wyniki – wynika z badania prowadzonego przez naukowców z Weill Cornell Medicine, kampusu Cornell w Ithace oraz Cornell Tech. Czułość i elastyczność systemu sprawiają, że może on znaleźć zastosowanie w szerokim zakresie zastosowań medycznych i naukowych.
Nowy system, nazwany LILAC (Learning-based Inference of Longitudinal imAge Changes), opiera się na metodzie uczenia maszynowego. W badaniu, które ukazało się 20 lutego w czasopiśmie Proceedings of the National Academy of Sciences, naukowcy opracowali system i przetestowali go na różnych seriach obrazów wykonywanych w określonych przedziałach czasowych – tzw. obrazach longitudinalnych. Analizowane były m.in. obrazy rozwijających się zarodków uzyskanych metodą zapłodnienia in vitro, procesy gojenia się tkanek po urazach oraz zmiany w starzejących się mózgach. Badacze wykazali, że LILAC potrafi z dużą precyzją identyfikować nawet subtelne różnice między obrazami wykonanymi w różnych momentach oraz przewidywać związane z nimi parametry, np. wyniki testów poznawczych na podstawie obrazów mózgu.
– To nowe narzędzie pozwoli nam wykrywać i ilościowo określać klinicznie istotne zmiany w czasie w sposób, który wcześniej nie był możliwy. Jego elastyczność oznacza, że można je zastosować praktycznie do dowolnego zbioru danych obrazowych o charakterze longitudinalnym – powiedział dr Mert Sabuncu, starszy autor badania, zastępca kierownika ds. badań i profesor inżynierii elektrycznej w radiologii w Weill Cornell Medicine oraz profesor w School of Electrical and Computer Engineering na kampusie Cornell w Ithace i Cornell Tech.
Pierwszym autorem badania jest dr Heejong Kim, wykładowca sztucznej inteligencji w radiologii w Weill Cornell Medicine oraz członek laboratorium Sabuncu.
Nowoczesne podejście do analizy obrazów
Tradycyjne metody analizy zbiorów obrazów longitudinalnych często wymagają znacznej personalizacji i wstępnego przetwarzania. Przykładowo, w badaniach mózgu surowe dane z rezonansu magnetycznego (MRI) muszą być poddane wstępnej obróbce, aby skupić się na wybranym obszarze mózgu, skorygować różnice w kącie widzenia, rozmiarze oraz inne artefakty przed rozpoczęciem właściwej analizy.
Naukowcy zaprojektowali system LILAC w taki sposób, by działał bardziej elastycznie – automatycznie wykonując tego typu korekcje i identyfikując istotne zmiany.
– Dzięki temu LILAC może być użyteczny nie tylko w różnych kontekstach obrazowania, ale także w sytuacjach, w których nie wiadomo, jakiego rodzaju zmian można się spodziewać – wyjaśnia dr Kim, główny projektant systemu.
W jednej z prób koncepcyjnych badacze przeszkolili system LILAC na setkach sekwencji mikroskopowych obrazów zarodków IVF w trakcie ich rozwoju, a następnie przetestowali go na nowych sekwencjach obrazów. Zadaniem systemu było określenie, który z dwóch losowo wybranych obrazów danej sekwencji został wykonany wcześniej. Zadanie to jest praktycznie niewykonalne bez istnienia „sygnału” wskazującego rzeczywistą zmianę w czasie. System LILAC wykonał to zadanie z 99% dokładnością – błędy pojawiły się jedynie w przypadkach, gdy różnice czasowe między obrazami były minimalne.
System osiągnął również wysoką dokładność w porządkowaniu obrazów gojących się tkanek oraz w wykrywaniu różnic w tempie gojenia między tkanką nieleczoną a tkanką poddaną eksperymentalnej terapii.
Podobnie, LILAC precyzyjnie przewidywał przedziały czasowe między obrazami MRI mózgów zdrowych starszych dorosłych oraz indywidualne wyniki testów poznawczych u pacjentów z łagodnymi zaburzeniami poznawczymi – w obu przypadkach system wykazywał mniejszy błąd niż dotychczas stosowane metody.
Nowe możliwości diagnostyczne i naukowe
Badacze wykazali, że LILAC można łatwo dostosować do identyfikacji cech obrazowych kluczowych dla wykrywania zmian u poszczególnych pacjentów lub różnic między grupami – co może otworzyć nowe możliwości kliniczne i naukowe.
– Spodziewamy się, że to narzędzie będzie szczególnie przydatne w przypadkach, w których mamy ograniczoną wiedzę o badanym procesie oraz dużą zmienność między osobami – podkreśla dr Sabuncu.
Naukowcy planują teraz przeprowadzenie testów systemu LILAC w warunkach klinicznych, w tym do prognozowania odpowiedzi na leczenie u pacjentów z rakiem prostaty na podstawie skanów MRI.
Źródło: Proceedings of the National Academy of Sciences, Weill Cornell Medicine
