Tehisintellekt võib olla vähiravi tulevik

Mammograafia on kõige levinum rinnauuring.

FOTO: Marina Pushkar

Hiljutises uuringus treeniti algoritmi piltidelt eristama pahaloomulisi ja healoomulisi rinnakoe kahjustusi.

Vähiravis on oluline varajane diagnoos. Kvaliteetse koepildi abil saab märgata ebanormaalse kasvu märke. Pärast seda peab arst kindlaks tegema, kas kasv on healoomuline või pahaloomuline. Usaldusväärseim meetod on biopsia, kuid ka sellega võib patsient eksikombel valediagnoosi saada või diagnoosimata jääda. Nende probleemide lahendamiseks uuritakse muuhulgas tehisintellekti potentsiaali. Hiljutises uuringus treenisid arstid algoritmi ja tulemused olid lootustandvad.

Üks uusimaid diagnoosimisviise on ultraheli elastograafia, millega vaadatakse rinnakoe jäikust. Koes vibratsiooni tekitades tekib laine, mis kutsub skaneeringus esile muutusi. See aitab märgata teistest erinevaid piirkondi koes. Nii saab arst kindlaks teha, kas kahjustus on healoomuline või pahaloomuline. See suure potentsiaaliga meetod on aga ajakulukas, koosneb mitmetest sammudest ja nõuab erinevate probleemide lahendamist.

Lõuna-California Ülikooli teadlased uurisid, kas algoritm võiks nendest piltidest informatsiooni leidmist kiirendada. Algoritmi treeniti 12 000 sünteetilist pilti kasutades healoomulisi ja pahaloomulisi kasvajaid eristama. Sünteetilisi andmeid kasutati päris andmete nappuse tõttu. Protsessi lõpuks oli algoritmi täpsus sünteetilistel andmetel 100 protsenti.

Järgmiseks liiguti päris piltide juurde, mida oli kasutada kümme: pooltel olid healoomulised ja pooltel pahaloomulised kahjustused. Täpsus oli umbes 80 protsenti, mis on hea, aga mitte piisavalt hea. Asi on aga alles alguses. Järgmiseks täiendatakse algoritmi kasutades sisendina rohkem päris pilte, millega võib täpsus paraneda. Tehisintellekti rakendatakse piltide analüüsimiseks juba edukalt radioloogias, patoloogias ja dermatoloogias. Tehisintellekt ei asenda aga kunagi treenitud inimest. 

Uurijad loodavad meetodit laiendada ka teist tüüpi vähihaiguste diagnoosimiseks. Kasvaja muudab füüsiliselt ükskõik kus piirkonnas koe toimimist. Nende erinevuste kategoriseerimine ja algoritmi treenimine on võimalik. Iga tüübi puhul peab algoritm ületama erinevad takistused. Lootused tuleviku suhtes on igatahes kõrged.

 
Tagasi üles