Bisakah kecerdasan buatan menjadi masa depan diagnosis kanker?
Dalam studi terbaru, para peneliti melatih algoritme untuk membedakan antara lesi ganas dan jinak dalam pemindaian jaringan payudara.
Dengan kanker, kunci pengobatan yang berhasil adalah mengetahuinya sejak dini.
Saat ini, dokter memiliki akses ke pencitraan berkualitas tinggi, dan ahli radiologi yang terampil dapat melihat tanda-tanda pertumbuhan abnormal.
Setelah teridentifikasi, langkah selanjutnya bagi dokter adalah memastikan apakah pertumbuhannya jinak atau ganas.
Metode yang paling dapat diandalkan adalah dengan melakukan biopsi, yang merupakan prosedur invasif.
Meski begitu, kesalahan bisa saja terjadi. Beberapa orang menerima diagnosis kanker di mana tidak ada penyakit, sementara yang lain tidak menerima diagnosis jika ada kanker.
Kedua hasil tersebut menyebabkan kesusahan, dan situasi terakhir dapat menyebabkan penundaan pengobatan.
Peneliti ingin meningkatkan proses diagnostik untuk menghindari masalah ini. Mendeteksi apakah lesi itu ganas atau jinak dengan lebih andal dan tanpa memerlukan biopsi akan sangat membantu.
Beberapa ilmuwan sedang menyelidiki potensi kecerdasan buatan (AI). Dalam studi terbaru, para ilmuwan melatih algoritme dengan hasil yang menggembirakan.
AI dan elastografi
Ultrasonografi elastografi adalah teknik diagnostik yang relatif baru yang menguji kekakuan jaringan payudara. Ini mencapai ini dengan menggetarkan jaringan, yang menciptakan gelombang. Gelombang ini menyebabkan distorsi pada pemindaian ultrasound, menyoroti area payudara yang sifatnya berbeda dari jaringan di sekitarnya.
Dari informasi ini, dokter dapat menentukan apakah suatu lesi bersifat kanker atau jinak.
Meskipun metode ini memiliki potensi besar, namun menganalisis hasil elastografi memakan waktu, melibatkan beberapa langkah, dan memerlukan penyelesaian masalah yang kompleks.
Baru-baru ini, sekelompok peneliti dari Viterbi School of Engineering di University of Southern California di Los Angeles bertanya apakah algoritme dapat mengurangi langkah-langkah yang diperlukan untuk menarik informasi dari gambar-gambar ini. Mereka mempublikasikan hasilnya di jurnal Metode Komputer dalam Mekanika dan Teknik Terapan.
Para peneliti ingin melihat apakah mereka dapat melatih algoritme untuk membedakan antara lesi ganas dan jinak pada pemindaian payudara. Menariknya, mereka berusaha mencapai ini dengan melatih algoritme menggunakan data sintetis daripada pemindaian asli.
Data sintetis
Ketika ditanya mengapa tim menggunakan data sintetis, penulis utama Prof Assad Oberai mengatakan bahwa itu tergantung pada ketersediaan data dunia nyata. Dia menjelaskan bahwa “dalam kasus pencitraan medis, Anda beruntung jika memiliki 1.000 gambar. Dalam situasi seperti ini, di mana data langka, teknik semacam ini menjadi penting. "
Para peneliti melatih algoritme pembelajaran mesin mereka, yang mereka sebut sebagai jaringan saraf konvolusional dalam, menggunakan lebih dari 12.000 gambar sintetis.
Di akhir proses, algoritme tersebut 100% akurat pada gambar sintetis; selanjutnya, mereka beralih ke pemindaian kehidupan nyata. Mereka hanya memiliki akses ke 10 pemindaian: setengahnya menunjukkan lesi ganas dan setengah lainnya menunjukkan lesi jinak.
“Kami memiliki tingkat akurasi sekitar 80%. Selanjutnya, kami terus menyempurnakan algoritme dengan menggunakan lebih banyak gambar dunia nyata sebagai masukan. ”
Prof Assad Oberai
Meskipun 80% baik, namun tidak cukup baik - namun, ini baru permulaan dari proses. Para penulis percaya bahwa jika mereka telah melatih algoritme pada data nyata, hal itu mungkin menunjukkan peningkatan keakuratan. Para peneliti juga mengakui bahwa tes mereka dalam skala yang terlalu kecil untuk memprediksi kemampuan sistem di masa depan.
Pertumbuhan AI
Dalam beberapa tahun terakhir, semakin banyak minat dalam penggunaan AI dalam diagnostik. Seperti yang ditulis seorang penulis:
“AI berhasil diterapkan untuk analisis gambar dalam radiologi, patologi, dan dermatologi, dengan kecepatan diagnostik melebihi, dan akurasi paralel, pakar medis.”
Namun, Prof Oberai tidak percaya bahwa AI dapat menggantikan operator manusia yang terlatih. Dia menjelaskan bahwa “[t] he konsensus umum adalah jenis algoritme ini memiliki peran penting untuk dimainkan, termasuk dari profesional pencitraan yang paling terpengaruh. Namun, algoritme ini akan sangat berguna jika tidak berfungsi sebagai kotak hitam. Apa yang dilihatnya yang membawanya ke kesimpulan akhir? Algoritme harus dapat dijelaskan agar berfungsi sebagaimana mestinya. "
Para peneliti berharap mereka dapat mengembangkan metode baru mereka untuk mendiagnosis jenis kanker lainnya. Dimanapun tumor tumbuh, itu mengubah bagaimana jaringan berperilaku, secara fisik. Harus dimungkinkan untuk memetakan perbedaan ini dan melatih algoritme untuk menemukannya.
Namun, karena setiap jenis kanker berinteraksi dengan lingkungannya secara berbeda, algoritme perlu mengatasi berbagai masalah untuk setiap jenis. Prof Oberai sedang mengerjakan CT scan kanker ginjal untuk menemukan cara AI dapat membantu diagnosis di sana.
Meskipun ini adalah hari-hari awal penggunaan AI dalam diagnosis kanker, ada harapan besar untuk masa depan.
