สิ่งตีพิมพ์ใหม่
ในอนาคตอันใกล้นี้ แพทย์รังสีวิทยาจะสามารถใช้ AI เพื่อตรวจจับเนื้องอกในสมองได้
ตรวจสอบล่าสุด: 02.07.2025

เนื้อหา iLive ทั้งหมดได้รับการตรวจสอบทางการแพทย์หรือตรวจสอบข้อเท็จจริงเพื่อให้แน่ใจว่ามีความถูกต้องตามจริงมากที่สุดเท่าที่จะเป็นไปได้
เรามีแนวทางการจัดหาที่เข้มงวดและมีการเชื่อมโยงไปยังเว็บไซต์สื่อที่มีชื่อเสียงสถาบันการวิจัยทางวิชาการและเมื่อใดก็ตามที่เป็นไปได้ โปรดทราบว่าตัวเลขในวงเล็บ ([1], [2], ฯลฯ ) เป็นลิงก์ที่คลิกได้เพื่อการศึกษาเหล่านี้
หากคุณรู้สึกว่าเนื้อหาใด ๆ ของเราไม่ถูกต้องล้าสมัยหรือมีข้อสงสัยอื่น ๆ โปรดเลือกแล้วกด Ctrl + Enter

บทความเรื่อง “การเรียนรู้เชิงลึกและการถ่ายโอนการเรียนรู้เพื่อการตรวจจับและจำแนกเนื้องอกในสมอง” ที่ตีพิมพ์ในBiology Methods and Protocolsระบุว่านักวิทยาศาสตร์สามารถฝึกโมเดลปัญญาประดิษฐ์ (AI) เพื่อแยกแยะระหว่างเนื้องอกในสมองกับเนื้อเยื่อปกติได้ โมเดล AI สามารถตรวจจับเนื้องอกในสมองในภาพ MRI ได้ดีเกือบเทียบเท่ากับรังสีแพทย์แล้ว
นักวิจัยได้พัฒนาก้าวหน้าอย่างต่อเนื่องในการนำ AI มาประยุกต์ใช้ในทางการแพทย์ AI มีแนวโน้มที่ดีเป็นพิเศษในด้านรังสีวิทยา ซึ่งการรอให้ช่างเทคนิคประมวลผลภาพทางการแพทย์อาจทำให้การรักษาผู้ป่วยล่าช้าได้ เครือข่ายประสาทเทียมแบบ Convolutional เป็นเครื่องมือที่มีประสิทธิภาพที่ช่วยให้นักวิจัยสามารถฝึกโมเดล AI บนชุดภาพขนาดใหญ่เพื่อการจดจำและจำแนกประเภท
ด้วยวิธีนี้ เครือข่ายจึงสามารถ "เรียนรู้" เพื่อแยกแยะภาพต่างๆ ได้ และยังสามารถ "ถ่ายโอนการเรียนรู้" ได้ด้วย นักวิทยาศาสตร์สามารถนำแบบจำลองที่ฝึกมาแล้วสำหรับงานหนึ่งมาใช้ในโครงการใหม่ที่เกี่ยวข้องกัน
แม้ว่าการตรวจจับสัตว์ที่พรางตัวและการจำแนกประเภทเนื้องอกในสมองจะเกี่ยวข้องกับภาพประเภทที่แตกต่างกันมาก แต่ผู้วิจัยแนะนำว่ามีความคล้ายคลึงกันระหว่างสัตว์ที่ซ่อนตัวด้วยการพรางตัวตามธรรมชาติและกลุ่มเซลล์มะเร็งที่กลมกลืนไปกับเนื้อเยื่อดีโดยรอบ
กระบวนการเรียนรู้ของการสรุปทั่วไป—การจัดกลุ่มวัตถุต่างๆ ภายใต้ตัวระบุเดียว—มีความสำคัญในการทำความเข้าใจว่าเครือข่ายสามารถตรวจจับวัตถุที่พรางตัวได้อย่างไร การเรียนรู้ดังกล่าวอาจมีประโยชน์อย่างยิ่งในการตรวจจับเนื้องอก
ในการศึกษาแบบย้อนหลังของข้อมูล MRI ที่เผยแพร่ต่อสาธารณะนี้ นักวิจัยได้ตรวจสอบว่าโมเดลเครือข่ายประสาทจะได้รับการฝึกจากข้อมูลมะเร็งสมองได้อย่างไร โดยแนะนำขั้นตอนการเรียนรู้การถ่ายโอนที่ไม่ซ้ำใครเพื่อตรวจจับสัตว์ที่ปกปิดเพื่อปรับปรุงทักษะในการตรวจจับเนื้องอกของเครือข่าย
การใช้ MRI จากแหล่งข้อมูลมะเร็งออนไลน์ที่เข้าถึงได้สาธารณะและภาพควบคุมของสมองที่แข็งแรง (รวมทั้ง Kaggle, NIH Cancer Image Archive และ VA Health System ในบอสตัน) นักวิจัยได้ฝึกอบรมเครือข่ายเพื่อแยกแยะระหว่าง MRI ที่แข็งแรงและที่เป็นมะเร็ง ระบุบริเวณที่ได้รับผลกระทบจากมะเร็ง และลักษณะต้นแบบของมะเร็ง (ประเภทของเนื้องอกมะเร็ง)
นักวิจัยพบว่าเครือข่ายดังกล่าวนั้นแทบจะสมบูรณ์แบบในการระบุภาพสมองปกติโดยมีผลลบเทียมเพียงหนึ่งหรือสองผล และแยกแยะระหว่างสมองที่เป็นมะเร็งและสมองที่แข็งแรง เครือข่ายแรกแสดงความแม่นยำโดยเฉลี่ยที่ 85.99% ในการตรวจจับมะเร็งสมอง ในขณะที่เครือข่ายที่สองมีความแม่นยำที่ 83.85%
คุณสมบัติที่สำคัญอย่างหนึ่งของเครือข่ายคือวิธีการต่างๆ มากมายในการอธิบายการตัดสินใจ ซึ่งเพิ่มความไว้วางใจในโมเดลจากผู้เชี่ยวชาญทางการแพทย์และผู้ป่วย โมเดลเชิงลึกมักไม่โปร่งใสเพียงพอ และเมื่อสาขานี้มีความสมบูรณ์แบบมากขึ้น ความสามารถในการอธิบายการตัดสินใจของเครือข่ายจึงมีความสำคัญ
จากการวิจัยนี้ เครือข่ายจึงสามารถสร้างภาพที่แสดงบริเวณเฉพาะในประเภทเนื้องอกเป็นบวกหรือลบได้ ซึ่งจะทำให้รังสีแพทย์ตรวจสอบการตัดสินใจของตนกับผลในเครือข่ายได้ ทำให้มั่นใจขึ้นราวกับว่ามีรังสีแพทย์ "หุ่นยนต์" อีกคนอยู่ใกล้ๆ คอยชี้ไปที่บริเวณ MRI ที่บ่งชี้ว่ามีเนื้องอก
ในอนาคต นักวิจัยเชื่อว่าการมุ่งเน้นไปที่การสร้างแบบจำลองเครือข่ายเชิงลึกซึ่งการตัดสินใจสามารถอธิบายได้ในรูปแบบที่เข้าใจง่ายจะเป็นสิ่งสำคัญ เพื่อให้ AI สามารถมีบทบาทสนับสนุนที่โปร่งใสในการปฏิบัติทางคลินิกได้
แม้ว่าเครือข่ายจะมีปัญหาในการแยกแยะระหว่างประเภทของเนื้องอกในสมองในทุกกรณี แต่ก็ชัดเจนว่าเครือข่ายมีความแตกต่างกันโดยเนื้อแท้ในวิธีการแสดงข้อมูลภายในเครือข่าย ความแม่นยำและความชัดเจนดีขึ้นเมื่อเครือข่ายได้รับการฝึกให้จดจำการพรางตัว การเรียนรู้การถ่ายโอนทำให้ความแม่นยำเพิ่มขึ้น
แม้ว่าแบบจำลองที่ดีที่สุดที่ทดสอบจะมีความแม่นยำน้อยกว่าการตรวจจับโดยมนุษย์มาตรฐานถึง 6% แต่การศึกษานี้แสดงให้เห็นถึงการปรับปรุงเชิงปริมาณที่ประสบความสำเร็จผ่านกรอบการเรียนรู้ดังกล่าว นักวิจัยเชื่อว่ากรอบการเรียนรู้นี้ เมื่อรวมกับการใช้หลักการอธิบายที่ครอบคลุม จะช่วยให้การวิจัย AI ทางคลินิกในอนาคตมีความโปร่งใสมากขึ้น
“ความก้าวหน้าของ AI ทำให้สามารถตรวจจับและจดจำรูปแบบได้แม่นยำยิ่งขึ้น” Arash Yazdanbakhsh ผู้เขียนหลักของรายงานกล่าว
“ซึ่งจะช่วยปรับปรุงการวินิจฉัยและคัดกรองโดยใช้ภาพได้ แต่ยังต้องมีคำอธิบายเพิ่มเติมเกี่ยวกับวิธีการทำงานของ AI อีกด้วย การผลักดันให้มี AI ที่สามารถอธิบายได้นั้นช่วยปรับปรุงปฏิสัมพันธ์ระหว่างมนุษย์กับ AI โดยทั่วไป ซึ่งถือเป็นเรื่องสำคัญอย่างยิ่งระหว่างผู้เชี่ยวชาญทางการแพทย์กับ AI ที่ออกแบบมาเพื่อวัตถุประสงค์ทางการแพทย์
“โมเดลที่ชัดเจนและอธิบายได้นั้นเหมาะสมกว่าในการช่วยวินิจฉัย ติดตามความคืบหน้าของโรค และติดตามการรักษา”