Günümüzde kullanılan tekniklerde kanser tedavisinde yanlışlıklar olabilmektedir.
BT ve MR taramalarını yorumlarken, organlar ve tümörler arasındaki sınırları ayırt etmek, önceki çalışmalardan bu yana tümörlerin nasıl değiştiğini belirlemek ve odak noktası başka bir alana geldiğinde yeni tümörleri belirlemek zor olabiliyor.
Almanya’nın Fraunhofer Tıbbi Görüntü Hesaplama Enstitüsü’ndeki araştırmacılar GPU’ ları ve kanser teşhisinin doğruluğunu artırmak için yapay zekanın bir bileşeni olan derin öğrenmeyi uyguluyor. Yapay zeka ile güçlendirilmiş görüntü analizi ile doktorlar, gereksiz tedaviye yol açan yanlış pozitiflikleri daha iyi önleyebilir ve görünebilecek yeni tümörlerin görülme ihtimalini artırabilirler.
Fraunhofer MEVIS araştırmacı bilim adamı Markus Harz “Erken tespitin önemli olduğuna inanıyoruz” dedi. Görüntülerde bir anormallik tespit edildiğinde, doğru teşhis çalışması bir sonraki zorluktur. ”
Birkaç yıl öncesine kadar Harz ve araştırma arkadaşları bugün hala yaygın olan klasik “özellik mühendisliği” yaklaşımına dayanıyordu. Araştırmacılar, çizgisel regresyon veya rastgele ormanlar gibi algoritmaları kullanarak görüntü verilerini sınıflandırmaya yardımcı olan görüntü özelliklerini algılamak için bilgisayarları programlayacaklar.
Bununla birlikte, derin öğrenme ile ekibin ilk deneyleri, yerin tespit edilmesi ve organların ve anormalliklerin konturlarının belirlenmesi de dahil olmak üzere çok zorlu sorunları çözebileceğini ortaya koydu.
Harz, çabanın şekillendiği anı hatırlıyor: Meme kanseri riski yüksek bir hastayı inceleyen bir radyolog ile oturuyordu. İki MRI’ ı yan yana karşılaştırarak, her birinde çizilen düzinelerce yumrunun içindeki değişiklikleri bulmaya çalışıyordu. Nihayetinde büyüdü ve kötü huylu olduğu ortaya çıkarılan bir yumru ele geçirildi.
Radyolog, bunun şanslı bir isabet olduğunu itiraf etti ve çoğu durumda böyle iyi bir durumdan fayda görmüyor. Harz ve meslektaşlarıyla birlikte çalıştı ve MRI’ ları uzamsal olarak hizalayacak bir algoritma üzerinde çalışmaya başladılar.
“Bununla onları çıkarabilir ve farkı doğrudan görebilirsiniz” dedi.
Ekip, görüntü analizleri için modellerini geliştirdikçe, öğrenmenin ne kadar derin teşhis sonuçlarını geliştirdiğini görüyoruz. Ancak, klinik ortamda çözümler sunmak için bir başka zorluk daha var: düzenleyici açıklık. Bunu elde etmek için Harz, meslektaşlarının derin öğrenme algoritmalarını doğrulamak için bir altyapı oluşturduğunu söyledi.
Harz, “Hem klinisyenler hem de tıbbi cihaz üreticileri, bilişsel tıbbi bilgisayar uygulamalarının üstünlüğünün kanıtı görmek istiyorlar” dedi.
GPU’ lar Olmazsa Olmaz
GPU’ lar araştırmacıların çalışmalarında göze çarpmaktadır. Derin öğrenme modellerini, CUDA ve cuDNN tarafından desteklenen çoklu makinelerde çalışan NVIDIA GPU’ ların yanı sıra Theano ve TensorFlow kütüphanelerinde de eğitiyorlar. Harz, yerel GPU’ ların işlemciler üzerinde en az 20 kat daha fazla performans geliştirdiğini tahmin ediyor.
Fraunhofer MEVIS’deki görselleştirme uzmanları ayrıca gerçek zamanlı olarak fotogerçekçi tıbbi görüntüler elde etmek için gölgelendirici programlar kullanarak çalışmalarını güçlendirmek için GPU’ ları kullanıyorlar. Ve Fraunhofer MEVIS’ in tıbbi görüntü kayıt grubu, OpenCL paralel programlama standardıyla birlikte genel performans GPU’ larını kullanarak algoritmalarını hızlandırabiliyor.
Teknoloji, bir tümörün insan gözü ile olduğundan daha uzun sürede nasıl değiştiğinin daha doğru bir karakterizasyonu sağlayacağını ve böylece tıbbi personelin daha emin teşhis koymasını sağlayacağını taahhüt eder.
Harz, “(Teşhis Görevlileri) elle iki boyutlu bir çapı ölçmekle birlikte, bilgisayar tümörün büyümesini veya büzüşmesini daha iyi temsil eden hacimsel bir temsil oluşturabilir” dedi. Bu sadece en sıkıcı klinik çalışmanın otomatikleştirilmesine yardımcı olmaz, aynı zamanda teşhis uzmanlarının anormallikleri yalnızca boyutlarının ötesinde karakterize etmesine de izin verir.
Sonraki adımlar
Harz ve araştırma arkadaşları, geçerlilik çerçevesini iyileştirmeye, derin öğrenme ağını hastane altyapılarına bağlamaya ve tipik klinik depolama sistemleri ile kesintisiz bir entegrasyona odaklandı. Ve bunların hepsini, sistemlerin klinisyenlere görüntü sunma yeteneğine müdahale etmeden gerçekleştirmeye çalışıyorlar.
Ekip, hattın aşağısında, yapılandırılmamış verileri kürlemek, büyük ölçekli verileri taramak ve teknolojiyi ticarileştirmek için çalışmayı planlıyor. Harz, veriler, insanlar tarafından analiz edilemeyecek kadar karmaşık olduğunda, teknolojinin kanser teşhis zincirinin kritik bir parçası olmasını umuyor.