Japon araştırmacılar, derin öğrenme tekniklerini bir dizi kontrast mikroskobik görüntüsüne uygulayarak, farklı kanser hücrelerinin doğasını ve kökenini %96 doğrulukla belirleyebilmişlerdir. Bu yaklaşım daha iyi kanser tedavilerine yol açabilir.
Osaka Üniversitesi’nden araştırmacılar, görüntüleri analiz etmek için derin öğrenmede kullanılan yaygın bir şema olan evrimsel sinir ağını (CNN) kullandılar. CNN’ler giriş görüntüsüne, belirli özellikleri çıkarmak için eğitilebilecek bir dizi bağlı filtre ve matematiksel işlev uygulayarak çalışır. Tıbbi görüntülemede, CNN’ler insan görme sistemi üzerinde modellenmiştir.
Tümörleri tespit etmek için AI eğitimi
Yapay zekayı (AI) klinik amaçlar içintıbbi görüntülereuygulama fikri yeni değildir. Fakat birçoğu AI’nın ortak tedavilere direnç geliştiren tümörleri ayıran ince ayrıntıları ayırt etme yeteneğini sorgulamıştır.
Tümör tiplerini ve kökenlerini tanımlamak, belirli bir hasta için tedaviyi kişiselleştirmek amacıyla atılmış oldukça önemli bir adımdır. Örneğin, tümörleri radyoya dirençli ise hastayı radyoterapiye maruz bırakmaya gerek yoktur. Çünkü bu hem onlara hem de zaman kaybına neden olabilir. Bununla birlikte, şimdiye kadar, tümör sınıflandırması esas olarak, işlemi zaman alan ve insan hatasına açık hale getiren görsel inceleme ile yapıldı.
Bu çalışmada, araştırmacılar CNN’yi hücreleri beş kategoride sınıflandırmak için tasarladılar: tedavi edilmemiş (kontrol); X-ışınlarına dayanıklı veya karbon-iyon ışınına dirençli fare tümörleri (NR-S1 tipi); tedavi edilmemiş ve X ışını dirençli insan servikal tümörleri (ME-180 tipi). Daha sonra CNN’yi, bu tür hücreleri içeren 8000 faz kontrastlı mikroskobik görüntü veritabanıyla eğitmiş ve ek 2000 görüntü kullanarak doğrulamıştır.
Kapsamlı Bir Veritabanı İhtiyacı
Ağ; insan hücre çizgilerini tanımakta daha fazla zorluk çekmesine rağmen, doğrulama veri setindeki hücrelerin %96’sını doğru bir şekilde tanımlayabildi. Bu özellikle, test edilen diğer tümör tipleri için %99 ile karşılaştırıldığında, sadece %91 başarı oranına sahip olan X-ışınına dirençli hücreler için geçerliydi. Bu veri, iki veri setinin her bir görüntüsü için CNN tarafından ekstre edilen 4096 özelliklerin tümü bir 2D harita oluşturmak üzere harmanlandığı zaman doğrulandı: Üç fareden çıkan hücre kümesi birbirinden farklıyken, iki insan hücresi kümesi birbirine nispeten yakındı.
Bu sonuçlar daha iddialı tasarımlar için oldukça önemli bir adımdır. Gelecekte, ekip, bu hücreleri otomatik olarak tanımlayan ve ayırt edebilen evrensel bir sistem kurma hedefiyle sistemi daha fazla kanser hücresi türü konusunda eğitmeyi umuyor.
