Ahli radiologi akan dapat menggunakan AI untuk mendeteksi tumor otak dalam waktu dekat

Sebuah makalah berjudul "Pembelajaran mendalam dan pembelajaran transfer untuk deteksi dan klasifikasi tumor otak" yang diterbitkan dalam Biology Methods and Protocols mengatakan bahwa para ilmuwan dapat melatih model kecerdasan buatan (AI) untuk membedakan antara tumor otak dan jaringan sehat. Model AI sudah dapat mendeteksi tumor otak dalam gambar MRI hampir sebaik ahli radiologi manusia.

Para peneliti telah membuat kemajuan yang mantap dalam penerapan AI pada bidang kedokteran. AI khususnya menjanjikan dalam bidang radiologi, di mana menunggu teknisi untuk memproses gambar medis dapat menunda perawatan pasien. Jaringan saraf konvolusional adalah alat canggih yang memungkinkan para peneliti untuk melatih model AI pada kumpulan gambar yang besar untuk pengenalan dan klasifikasi.

Dengan cara ini, jaringan dapat "belajar" untuk membedakan antara gambar. Mereka juga memiliki kemampuan untuk "mentransfer pembelajaran." Ilmuwan dapat menggunakan kembali model yang dilatih untuk satu tugas untuk proyek baru yang terkait.

Meskipun mendeteksi hewan yang berkamuflase dan mengklasifikasikan tumor otak melibatkan jenis gambar yang sangat berbeda, para peneliti menyarankan bahwa ada kesamaan antara hewan yang bersembunyi berkat kamuflase alami dan sekelompok sel kanker yang berbaur dengan jaringan sehat di sekitarnya.

Proses pembelajaran generalisasi—pengelompokan berbagai objek di bawah satu pengenal—penting untuk memahami bagaimana jaringan dapat mendeteksi objek yang tersamar. Pembelajaran semacam itu dapat sangat berguna untuk mendeteksi tumor.

Dalam studi retrospektif data MRI yang tersedia untuk umum ini, para peneliti meneliti bagaimana model jaringan saraf dapat dilatih pada data kanker otak, memperkenalkan langkah pembelajaran transfer yang unik untuk mendeteksi hewan terselubung guna meningkatkan keterampilan deteksi tumor jaringan.

Dengan menggunakan MRI dari sumber data kanker daring yang tersedia untuk umum dan gambar kontrol otak yang sehat (termasuk Kaggle, Arsip Gambar Kanker NIH, dan Sistem Kesehatan VA di Boston), para peneliti melatih jaringan untuk membedakan antara MRI yang sehat dan yang kanker, mengidentifikasi area yang terkena kanker, dan tampilan prototipe kanker (jenis tumor kanker).

Para peneliti menemukan bahwa jaringan tersebut hampir sempurna dalam mengidentifikasi citra otak normal dengan hanya satu atau dua hasil negatif palsu dan membedakan antara otak yang terkena kanker dan otak yang sehat. Jaringan pertama menunjukkan akurasi rata-rata 85,99% dalam mendeteksi kanker otak, sedangkan jaringan kedua memiliki akurasi 83,85%.

Fitur utama jaringan adalah berbagai cara untuk menjelaskan keputusan yang diambil, yang meningkatkan kepercayaan dari para profesional medis dan pasien terhadap model. Model mendalam sering kali tidak cukup transparan, dan seiring dengan semakin matangnya bidang ini, kemampuan untuk menjelaskan keputusan jaringan menjadi penting.

Berkat penelitian ini, jaringan tersebut kini dapat menghasilkan gambar yang menunjukkan area tertentu dalam klasifikasi tumor sebagai positif atau negatif. Hal ini akan memungkinkan ahli radiologi untuk memeriksa keputusan mereka terhadap hasil jaringan, sehingga menambah keyakinan seolah-olah ada ahli radiologi "robotik" kedua di dekatnya yang menunjuk ke area MRI yang mengindikasikan adanya tumor.

Di masa mendatang, para peneliti percaya akan penting untuk fokus pada pembuatan model jaringan mendalam yang keputusannya dapat dijelaskan dengan cara intuitif sehingga AI dapat memainkan peran pendukung yang transparan dalam praktik klinis.

Meskipun jaringan mengalami kesulitan membedakan antara jenis tumor otak dalam semua kasus, jelas bahwa jaringan tersebut memiliki perbedaan intrinsik dalam cara data direpresentasikan dalam jaringan. Akurasi dan kejelasan meningkat saat jaringan dilatih untuk mengenali kamuflase. Pembelajaran transfer menghasilkan peningkatan akurasi.

Meskipun model terbaik yang diuji kurang akurat 6% dibandingkan deteksi manusia standar, studi tersebut berhasil menunjukkan peningkatan kuantitatif yang dicapai melalui paradigma pembelajaran ini. Para peneliti percaya bahwa paradigma ini, ditambah dengan penerapan metode penjelasan yang komprehensif, akan membantu menghadirkan transparansi yang dibutuhkan untuk penelitian AI klinis di masa mendatang.

"Kemajuan dalam AI memungkinkan untuk mendeteksi dan mengenali pola dengan lebih akurat," kata penulis utama makalah tersebut, Arash Yazdanbakhsh.

"Hal ini, pada gilirannya, meningkatkan diagnostik dan penyaringan berbasis gambar, tetapi juga memerlukan penjelasan lebih lanjut tentang bagaimana AI melakukan suatu tugas. Dorongan untuk penjelasan AI meningkatkan interaksi manusia-AI secara umum. Hal ini khususnya penting antara profesional medis dan AI yang dirancang untuk tujuan medis.

"Model yang jelas dan dapat dijelaskan lebih cocok untuk membantu diagnosis, melacak perkembangan penyakit, dan memantau pengobatan."