AI Inatambua Saratani Mapema Kutoka Picha

Je, unataka kujua jinsi AI inavyotambua saratani mapema kutoka kwa picha? Tuchunguze kwa undani zaidi pamoja na INVIAI katika makala hii!

Utambuzi wa mapema wa saratani huongeza sana uwezekano wa kuishi. Akili bandia (AI) sasa inasaidia madaktari kugundua uvimbe kwenye picha za matibabu mapema na kwa usahihi zaidi.

Kwa kufundisha mifano ya kujifunza kwa kina kwa maelfu ya picha zilizoandikwa, AI inaweza kujifunza mifumo ambayo hata wataalamu wa kliniki wanaweza kuikosa.

Katika matumizi, zana za AI huchambua picha kama vile mammogramu, CT za kifua, X-ray, MRI, ultrasound na slaidi za pathology, zikionyesha maeneo yenye shaka na kupima hatari.

Kwa mfano, ultrasound iliyoboreshwa na AI ilimsaidia mgonjwa mmoja kuepuka upimaji usiohitajika wa tezi ya shingo kwa kuonyesha uvimbe wake haukuwa hatari.

Wataalamu wanasema AI katika huduma za saratani ni “mwangaza wa kipekee” wa kuboresha uchunguzi na matibabu.

Jinsi AI Inavyotumia Picha za Matibabu Kuchambua

Mifumo ya AI kwa picha kawaida hutumia kujifunza kwa kina (hasa mitandao ya neva ya convolutional) iliyofunzwa kwa seti kubwa za data. Wakati wa mafunzo, algoriti hujifunza kutoa sifa (kama maumbo, muundo, rangi) zinazotofautisha tishu za saratani na tishu zenye afya.

Baada ya kufunzwa, mfano wa AI husoma picha mpya na kuonyesha mifumo inayolingana na sifa za saratani zilizojifunza.

Kwa maana hiyo, AI huwa kama “msomaji wa pili mwenye hisia kali”, akiashiria vidonda vidogo ambavyo binadamu anaweza kuyakosa. Kwa mfano, AI inayochambua mammogramu au kipande cha CT inaweza kuweka alama za rangi kwenye vidonda vidogo vya calcification au noduli kwa radiolojia kuangalia.

Uchambuzi wa AI pia unaweza kukadiria hatari: baadhi ya algoriti hutabiri hatari ya saratani ya mgonjwa kutoka kwa picha moja (kwa kutumia uhusiano uliyojifunza), kuruhusu madaktari kubinafsisha ratiba za uchunguzi.

Katika kesi moja, ultrasound ya tezi ya shingo iliyochambuliwa na AI ilibaini kwa uhakika tishu zisizo hatari, ikilingana na matokeo ya baadaye ya upimaji na kumsaidia mgonjwa kupunguza wasiwasi.

Uchunguzi wa Saratani ya Matiti

Mammografia ni mfano bora ambapo AI ina athari kubwa. Tafiti zinaonyesha msaada wa AI unaweza kuboresha sana utambuzi wa saratani ya matiti katika uchunguzi.

Katika jaribio kubwa la Ujerumani, radiolojia waliosaidiwa na zana ya AI waligundua sarafu 17.6% zaidi kuliko bila AI.

Hasa, kundi lililosaidiwa na AI liligundua saratani 6.7 kwa wanawake 1,000 ikilinganishwa na 5.7 kwa 1,000 katika kundi la kawaida, huku kiwango cha kurudiwa kwa uchunguzi (alarms za uongo) kikipungua kidogo.

Kwa ujumla, AI katika mammografia inaweza:

• Kuboresha unyeti na usahihi. Utafiti uliofadhiliwa na NCI unaonyesha algoriti za picha za AI “huboresha utambuzi wa saratani ya matiti kwenye mammografia” na pia zinaweza kusaidia kutabiri ni vidonda gani vitakuwa vya kuenea baadaye.
• Kutambua matokeo madogo. AI inaweza kuonyesha vikundi vidogo vya microcalcifications au kutofautiana kwa sura ambavyo ni rahisi kupuuzwa wakati wa uchunguzi wa kawaida, ikifanya kazi kama msomaji mtaalamu wa ziada.
• Kupunguza mzigo wa kazi na tofauti. Kwa kuchuja picha kabla, AI inaweza kuipa kipaumbele kesi zenye shaka kwa radiolojia, kusaidia kushughulikia ongezeko la mammogramu.

Kwa kumbukumbu, FDA imeidhinisha zana kadhaa za mammografia zilizo na msaada wa AI (kama iCAD, SmartMammo ya DeepHealth) kwa matumizi ya kliniki, ikitambua uwezo wao wa kugundua saratani mapema katika mazingira halisi.

Uchunguzi wa Saratani ya Mapafu

AI pia inatumika katika utambuzi wa saratani ya mapafu kwenye picha za matibabu. Skani za CT zenye mionzi ya chini (LDCT) hutumika kuchunguza wapiga sigara wenye hatari kubwa; AI inaweza kuboresha hili kwa kuongeza ubora wa picha na utambuzi wa vidonda.

Faida moja ni kupunguza mionzi: algoriti za ujenzi wa picha za AI zinaweza kutoa picha za CT zilizo wazi kwa mionzi kidogo zaidi kuliko skani za LDCT za sasa.

Zaidi ya hayo, mifumo ya ugunduzi wa kompyuta (CAD) inayotumia AI huchambua kila kipande cha CT kwa noduli. Wakati noduli inapotambuliwa, AI huweka alama kwenye picha kwa daktari kuangalia.

Kwa kifupi, AI inaweza kufanya kazi kama msomaji wa pili mwenye hisia kali kwenye picha za mapafu.

Kwa mfano, mifano ya hivi karibuni inaonyesha unyeti mkubwa kwa noduli za mapafu zisizo hatari na hatari (mifumo ya utafiti hugundua zaidi ya 90% ya noduli kwenye skani za majaribio). FDA ya Marekani imeidhinisha zana za AI kusaidia uchunguzi wa saratani ya mapafu, ikitambua nafasi yao katika utambuzi wa mapema.

AI pia inaweza kusaidia kubinafsisha uchunguzi: kwa kuchanganya picha na data za mgonjwa, algoriti zinaweza kugawanya ni nani anahitaji skani za mara kwa mara zaidi.

(Hata hivyo, tafiti za CAD za sasa zinaonyesha kwamba ingawa AI hugundua noduli nyingi zaidi, ongezeko kubwa ni kwa noduli ndogo, zisizo hatari, na bado haijaimarisha sana utambuzi wa vidonda vikubwa vya hatari.)

Saratani ya Ngozi (Melanoma)

Picha za dermoscopy (picha za ngozi zilizo karibu) ni eneo jingine ambapo AI inaonyesha uwezo mkubwa. Mifano ya kisasa ya kujifunza kwa kina iliyofunzwa kwa maelfu ya picha za vidonda vya ngozi inaweza kutambua moles kama zisizo hatari au hatari kwa usahihi mkubwa.

Katika utafiti mmoja wa hivi karibuni, mtandao wa neva ulioboreshwa ulipata usahihi wa 95–96% katika kutambua melanoma ya awali kutoka kwa picha za dermoscopy.

Hii ni muhimu: melanoma ya awali ina utabiri mzuri sana (takriban 98% ya kuishi miaka 5), wakati kuishi kwa melanoma ya hatua ya mwisho ni chini sana.

Kwa kuonyesha moles zenye shaka kwa upimaji, AI inaweza kusaidia madaktari wa ngozi kugundua melanoma mapema.

Zana za AI pia zinajumuishwa katika programu za simu au vifaa vinavyotathmini mole iliyopigwa picha na kukadiria hatari yake, ikipanua utambuzi wa mapema hadi katika huduma za msingi za afya.

Uchunguzi wa Saratani ya Mtandao wa Uzazi

AI inaboresha uchunguzi wa saratani ya mtandao wa uzazi kwa kuchambua picha za kidijitali za mtandao wa uzazi. Kwa mfano, mfumo wa CerviCARE hutumia kujifunza kwa kina kwenye picha za “cervicography” (picha zinazofanana na colposcopy) kutofautisha vidonda vya kabla ya saratani.

Katika jaribio la vituo vingi, AI ya CerviCARE ilipata unyeti wa 98% kwa vidonda vya ngazi ya juu ya mtandao wa uzazi (CIN2+), na usahihi wa 95.5%.

Katika matumizi, AI kama hii inaweza kusaidia maeneo ambapo wataalamu wa colposcopy ni wachache: algoriti huonyesha moja kwa moja maeneo yenye wasiwasi, kusaidia kuhakikisha hakuna tishu za kabla ya saratani zinazokosa kugunduliwa.

AI hii hufanya kazi sambamba na upimaji wa kawaida wa Pap smear na HPV ili kugundua ugonjwa mapema.

NCI pia inataja utafiti wa AI kwa ajili ya kuendesha utambuzi wa mapema wa saratani katika uchunguzi wa mtandao wa uzazi.

Uchunguzi wa Saratani ya Debububu na Rektamu

Wakati wa kolonoskopi, AI husaidia kwa wakati halisi. Mifumo ya kisasa huchambua video inayotolewa na kolonoskopu kwa mfululizo. Wakati kamera inapoonyesha polipu au tishu zenye shaka, AI huweka alama kwenye skrini (mara nyingi kwa kisanduku cha rangi na onyo la sauti) ili kuvutia umakini wa daktari.

Kolonoskopi inayosaidiwa na AI: mfumo umebaini polipu “wembamba” (iliyowekwa alama kwa bluu) ambayo daktari anaweza kuiondoa.

Tafiti zinaonyesha kuwa kutumia AI katika kolonoskopi huongeza idadi ya jumla ya polipu zinazogunduliwa, hasa adenoma ndogo. Hii ina maana AI inaweza kusaidia madaktari kugundua ukuaji wa mapema ambao vinginevyo ungepuuzwa.

Katika jaribio kubwa (tafiti la CADILLAC), utambuzi wa adenoma uliongezeka kwa msaada wa AI. Hata hivyo, wataalamu wanasema kuwa ongezeko kubwa lilikuwa kwa polipu ndogo zisizo hatari, na kuongeza AI hakukuongeza sana utambuzi wa adenoma kubwa zenye hatari katika utafiti huo.

Kwa maneno mengine, AI ni mzuri katika kuonyesha vidonda vidogo vingi, lakini bado haijathibitisha kuboresha utambuzi wa vidonda hatari zaidi vya kabla ya saratani.

Hata hivyo, “jicho la pili” la AI linaweza kupunguza makosa yanayotokana na uchovu na kupunguza tofauti kati ya madaktari. FDA imeidhinisha mifumo ya AI (CADe) kwa kolonoskopi ya kliniki kusaidia madaktari kugundua polipu.

AI Katika Pathology na Picha Nyingine

Uwezo wa AI hauishii kwenye picha za moja kwa moja tu bali pia unahusisha pathology na skani maalum. Slaidi za pathology za kidijitali (skani za ubora wa juu za biopsi za tishu) husomwa na algoriti za AI.

Kwa mfano, AI mpya iitwayo CHIEF ilifundishwa kwa picha zaidi ya 60,000 za slaidi nzima katika aina 19 za saratani.

Inatambua kiatomati seli za saratani kwenye slaidi na hata hutabiri sifa za molekuli za uvimbe kutoka kwa sifa za kuona. Katika majaribio, CHIEF ilipata usahihi wa takriban 94% katika kugundua saratani kwenye slaidi zisizojulikana katika viungo mbalimbali.

Vivyo hivyo, FDA imeidhinisha programu za AI kuonyesha maeneo ya saratani katika sampuli za biopsi ya tezi ya prostat, kusaidia wataalamu wa pathology kuzingatia maeneo muhimu. Zana za AI pia zimeidhinishwa kwa tafsiri ya MRI ya uvimbe wa ubongo na ultrasound ya noduli ya tezi ya shingo, miongoni mwa nyingine.

Kwa kifupi, AI inakuwa msaidizi wa aina nyingi: kutoka skani za MRI/CT hadi X-ray na slaidi za microscope, inaonyesha kasoro zinazostahili kuzingatiwa.

Manufaa ya AI Katika Utambuzi wa Mapema

Katika matumizi mbalimbali, AI hutoa faida kadhaa muhimu za kugundua saratani mapema:

• Unyeti wa Juu: AI inaweza kugundua dalili ndogo sana. Katika uchunguzi wa matiti, AI iligundua takriban 20–40% ya saratani za kipindi cha kati (tumors zilizokosa kugunduliwa katika usomaji wa kwanza) wakati ikitumika kwa picha za zamani.
  Hii ina maana AI inaweza kuonyesha saratani mapema zaidi kuliko wasomaji wa binadamu pekee.
• Usahihi na Ufanisi: Tafiti zinaonyesha usomaji unaosaidiwa na AI husababisha kupungua kwa makosa ya kutokugundua na wakati mwingine kupungua kwa makosa ya kugundua vibaya.
  Kwa mfano, mammografia yenye msaada wa AI iliongeza thamani ya utabiri wa upimaji wa biopsi (yaani saratani kwa biopsi) katika jaribio la Ujerumani.
• AI inaweza kuchakata picha kwa kasi zaidi kuliko binadamu, kuruhusu programu za uchunguzi kushughulikia mzigo unaoongezeka bila kupunguza ubora.
• Ubora wa Kudumu: Tofauti na binadamu, AI haochoki wala kupuuzia mambo kwa sababu ya usumbufu.
  Hutoa kiwango cha usahihi kinacholingana katika kesi zote, ambacho kinaweza kupunguza tofauti kati ya radiolojia.
• Kuzuia Taratibu zisizo za lazima: Kwa kutofautisha kwa usahihi zaidi vidonda visivyo hatari na hatari, AI inaweza kuokoa wagonjwa kutoka kwa vipimo visivyo vya lazima.
  Katika mfano wa tezi ya shingo, AI ilithibitisha kwa uhakika kutokuwepo kwa saratani bila upimaji wa biopsi.
• Kwenye dermatology, programu za AI zinaweza kuwahakikishia wagonjwa kuhusu moles zisizo hatari.
  Kwa ujumla, lengo ni uchunguzi wa usahihi: kugundua kinachohitaji matibabu na kuepuka matibabu ya ziada.
• Upatikanaji Duniani: Katika maeneo yenye wachache wa wataalamu, zana za AI zinaweza kueneza uchunguzi wa kiwango cha mtaalamu hadi kliniki za mbali.
  Kwa mfano, AI-colposcope inaweza kusaidia wauguzi kuchunguza saratani ya mtandao wa uzazi katika maeneo yenye rasilimali chache.

“Mbinu zinazotumia AI zinaweza kuongeza uwezo wa madaktari kutathmini saratani kwa ufanisi na usahihi”. Katika majaribio mengi, mchanganyiko wa AI na utaalamu wa madaktari huleta matokeo bora kuliko kila mmoja peke yake, kama kushauriana na mwenzake mwenye maarifa.

Changamoto na Mambo ya Kuzingatia

AI pia inaleta changamoto. Mifano iliyofunzwa kwa data chache au isiyo na utofauti inaweza isifanye kazi sawa kwa wagonjwa wote. Kwa mfano, wachunguzi wa vidonda vya ngozi wa AI lazima wafunzwe kwa rangi mbalimbali za ngozi ili kuepuka upendeleo.

Zana za dermoscopic za AI zimebaini mapungufu katika utendaji kwenye picha zilizo na kasoro (kama nywele au mwanga duni) na aina za vidonda zisizo za kawaida.

Katika uchunguzi, kugundua zaidi kunaweza kusababisha alama nyingi za uongo: kolonoskopi ya AI ilionyesha polipu ndogo nyingi, baadhi yake huenda hazitawahi kuendelea kuwa saratani.

Kuondoa kila kidonda kidogo kuna hatari zake (kama damu au tundu). Hivyo, madaktari lazima walinganishe unyeti wa AI na usahihi ili kuepuka utambuzi wa ziada.

Kuingiza AI katika taratibu za kliniki si rahisi. Hospitali zinahitaji programu zilizoidhinishwa na FDA na mafunzo kwa wafanyakazi. Kuna maswali ya udhibiti na uwajibikaji kuhusu nani atakayehusika ikiwa AI itakosa kugundua saratani.

Watafiti wengi wanasisitiza kuwa AI ni zana, si mbadala; kama radiolojia mmoja alivyoeleza, kutumia AI ni kama “kumuuliza mwenzako mwenye akili kwa ushauri”. Majaribio yanayoendelea na utafiti baada ya soko ni muhimu kuhakikisha zana hizi zinaboresha matokeo kweli.

Mwelekeo wa Baadaye

Mustakabali wa AI katika utambuzi wa saratani unaahidi. Watafiti wanaendeleza “mifano ya msingi” (AI kubwa iliyofunzwa kwa seti kubwa sana za data) inayoweza kushughulikia kazi nyingi kwa wakati mmoja. CHIEF wa Harvard ni mfano mmoja: ulifundishwa kama “ChatGPT kwa pathology” kwa mamilioni ya vipande vya picha, na unafanya kazi kwa aina nyingi za saratani.

Mbinu zinazofanana zinaweza hivi karibuni kuunganisha picha na data za vinasaba na kliniki kwa uchunguzi wa kibinafsi zaidi. AI ya aina nyingi inaweza kutabiri si tu kama saratani ipo, bali pia jinsi itakavyokuwa kali, ikiongoza kiwango cha ufuatiliaji.

Utendaji wa AI pia unaendelea kwa kasi kwa mbinu mpya. Mifumo ya kizazi kijacho ya CAD hutumia miundo ya mitandao ya neva ya hali ya juu na mifano mikubwa ya lugha kutafsiri picha. Kwa saratani ya mapafu, wataalamu wanasema mifumo ya zamani ya AI ilikuwa “ya awali” ikilinganishwa na mifano ya sasa, na wanatarajia matoleo mapya kuwa bora zaidi.

Tafiti za kimataifa (kama jaribio la vituo vingi Ulaya na Marekani) zinaendelea kuthibitisha zana za AI kwa kiwango kikubwa. Kadiri data inavyokusanywa, AI itajifunza kutoka kwa matokeo halisi, ikiboresha usahihi wake kila mara.

Kwa muhtasari, AI tayari inasaidia madaktari kugundua saratani mapema kutoka kwa picha za matibabu – kutoka mammogramu na skani za CT hadi picha za ngozi na slaidi za biopsi. Ingawa changamoto bado zipo, utafiti wa kisasa na idhini za udhibiti zinaonyesha mustakabali ambapo AI itakuwa mshirika wa kawaida katika uchunguzi wa saratani.

Kwa kugundua uvimbe katika hatua za awali ambapo matibabu ni madhubuti zaidi, teknolojia hizi zinaweza kuboresha matokeo kwa wagonjwa wengi duniani kote.