Последние исследования, проведенные в клинике Майо, содержат некоторые подсказки.
Эта статья первоначально появилась в The Algorithm, нашей еженедельной рассылке об искусственном интеллекте. Чтобы первыми получать подобные статьи на свою электронную почту, подпишитесь здесь.
Обследование организма для выявления и диагностики рака сводится к поиску закономерностей. Рентгенологи используют рентгеновские лучи и магнитно-резонансную томографию для освещения опухолей, а патологоанатомы исследуют ткани почек, печени и других органов под микроскопом, ища закономерности, указывающие на тяжесть заболевания, эффективность конкретных методов лечения и возможное распространение злокачественного новообразования.
Теоретически, искусственный интеллект должен отлично справляться с этой задачей. «Наша работа заключается в распознавании образов, — говорит Эндрю Норган, патологоанатом и медицинский директор платформы цифровой патологии клиники Майо. — Мы изучаем препарат и собираем информацию, которая, как доказано, имеет важное значение».
Визуальный анализ — это то, в чём искусственный интеллект значительно преуспел с тех пор, как почти 15 лет назад начали активно развиваться модели распознавания изображений. Хотя ни одна модель не будет идеальной, можно представить себе мощный алгоритм, который когда-нибудь сможет обнаружить то, что пропустил патологоанатом, или, по крайней мере, ускорить процесс постановки диагноза. Мы видим множество новых попыток создать такую модель — по меньшей мере семь попыток только за последний год — но все они пока остаются экспериментальными. Что потребуется, чтобы сделать их достаточно хорошими для использования в реальном мире?
Подробности о последней попытке создания подобной модели, возглавляемой компанией Aignostics, специализирующейся на искусственном интеллекте в здравоохранении, совместно с клиникой Майо, были опубликованы на arXiv в начале этого месяца. Статья еще не прошла рецензирование, но она многое раскрывает о трудностях внедрения подобного инструмента в реальную клиническую практику.
Модель, получившая название Atlas, была обучена на 1,2 миллионах образцов тканей из 490 000 случаев. Ее точность была проверена в сравнении с шестью другими ведущими моделями патологоанатомического анализа на основе искусственного интеллекта. Эти модели соревнуются в общих тестах, таких как классификация изображений рака молочной железы или оценка степени злокачественности опухолей, где прогнозы модели сравниваются с правильными ответами, данными патологоанатомами. Atlas превзошел конкурирующие модели в шести из девяти тестов. Наивысший результат он получил за классификацию раковых тканей толстой кишки, достигнув того же вывода, что и патологоанатомы, в 97,1% случаев. Однако в другой задаче — классификации опухолей из биопсий рака предстательной железы — Atlas превзошел высокие результаты других моделей, получив всего 70,5%. Средний результат по девяти тестам показал, что он получал те же ответы, что и эксперты, в 84,6% случаев.
Давайте подумаем, что это значит. Лучший способ узнать, что происходит с раковыми клетками в тканях, — это отправить образец на исследование патологоанатому, поэтому именно по этому показателю оцениваются модели ИИ. Лучшие модели приближаются к людям в определенных задачах обнаружения, но отстают во многих других. Так насколько хороша должна быть модель, чтобы быть полезной в клинической практике?
«Девяносто процентов, вероятно, недостаточно. Нужно быть еще лучше», — говорит Карло Бифулько, главный врач Providence Genomics и соавтор GigaPath, одной из других моделей ИИ для диагностики заболеваний, исследованных в клинике Майо. Но, по словам Бифулько, модели ИИ, которые не показывают идеальных результатов, все еще могут быть полезны в краткосрочной перспективе и потенциально могут помочь патологоанатомам ускорить свою работу и быстрее ставить диагнозы.
Какие препятствия мешают повышению производительности? Проблема номер один — обучающие данные.
«Менее 10% патологоанатомических лабораторий в США используют цифровые технологии», — говорит Норган. Это означает, что образцы тканей помещаются на предметные стекла и анализируются под микроскопами, а затем хранятся в огромных базах данных, не будучи задокументированными в цифровом виде. Хотя европейские лаборатории, как правило, более цифровизированы, и предпринимаются усилия по созданию общих наборов данных образцов тканей для обучения моделей искусственного интеллекта, ресурсов для работы по-прежнему не так уж много.
Без разнообразных наборов данных моделям ИИ сложно выявлять широкий спектр отклонений, которые научились интерпретировать патологоанатомы. Это касается и редких заболеваний, говорит Максимилиан Альбер, соучредитель и технический директор Aignostics. Просматривая общедоступные базы данных в поисках образцов тканей особо редких заболеваний, «вы найдете 20 образцов за 10 лет», — говорит он.
Примерно в 2022 году клиника Майо предвидела, что недостаток обучающих данных станет проблемой. Было решено оцифровать все свои патологоанатомические исследования, а также 12 миллионов слайдов из архивов, хранящихся десятилетиями (пациенты дали согласие на их использование в исследованиях). Была нанята компания для создания робота, который начал делать фотографии тканей высокого разрешения, обрабатывая до миллиона образцов в месяц. Благодаря этим усилиям команда смогла собрать 1,2 миллиона высококачественных образцов, использованных для обучения модели Майо.
Это приводит нас ко второй проблеме использования ИИ для выявления рака. Образцы тканей, полученные при биопсии, очень малы — часто всего несколько миллиметров в диаметре — но увеличены до такой степени, что цифровые изображения содержат более 14 миллиардов пикселей. Это делает их примерно в 287 000 раз больше, чем изображения, используемые для обучения лучших на сегодняшний день моделей распознавания изображений на основе ИИ.
Связанная статья
«Это, очевидно, влечет за собой значительные затраты на хранение и так далее», — говорит Хойфунг Пун, исследователь в области ИИ из Microsoft, который работал с Бифулько над созданием GigaPath, о котором писали в журнале Nature в прошлом году. Но это также заставляет принимать важные решения о том, какие фрагменты изображения использовать для обучения модели ИИ и какие клетки можно пропустить в процессе. Для создания Atlas клиника Майо использовала так называемый метод тайлов, по сути, создавая множество снимков одного и того же образца для подачи в модель ИИ. Выбор этих тайлов — это одновременно искусство и наука, и пока неясно, какие способы дают наилучшие результаты.
В-третьих, возникает вопрос о том, какие критерии наиболее важны для успешной работы модели искусственного интеллекта, предназначенной для выявления рака. Исследователи из Atlas протестировали свою модель в сложной области молекулярных критериев, которая включает в себя попытку найти подсказки в изображениях образцов тканей, чтобы предположить, что происходит на молекулярном уровне. Вот пример: гены системы репарации ошибок ДНК в организме представляют особую опасность для развития рака, поскольку они выявляют ошибки, возникающие при репликации ДНК. Если эти ошибки не будут обнаружены, они могут способствовать развитию и прогрессированию рака.
«Некоторые патологоанатомы могут сказать, что у них возникает ощущение, когда они считают, что в чем-то нарушена система репарации ошибок репликации, судя по внешнему виду», — говорит Норган. Но патологоанатомы не полагаются только на это интуитивное чувство. Для получения более точного ответа они могут провести молекулярные исследования. А что, если вместо этого, говорит Норган, мы сможем использовать ИИ для прогнозирования того, что происходит на молекулярном уровне? Это эксперимент: сможет ли модель ИИ обнаружить скрытые молекулярные изменения, которые человек не может увидеть?
В целом, как оказалось, нет. Или, по крайней мере, пока нет. Средний показатель Atlas для молекулярного тестирования составил 44,9%. Это лучший результат для ИИ на данный момент, но он показывает, что этому типу тестирования еще предстоит пройти долгий путь.
Бифулько говорит, что Atlas представляет собой постепенный, но реальный прогресс. «К сожалению, у меня такое ощущение, что все застряли на одном и том же уровне», — говорит он. «Нам нужны другие модели, чтобы действительно добиться значительного прогресса, и нам нужны более крупные наборы данных».
Теперь прочитайте остальную часть книги «Алгоритм».
Углубленное обучение
Компания OpenAI создала модель искусственного интеллекта для научных исследований в области долголетия.
Искусственный интеллект уже давно оказывает влияние на науку о сворачивании белков. Но теперь компания OpenAI заявляет о создании модели, способной модифицировать белки, превращая обычные клетки в стволовые. Эту цель преследуют компании, занимающиеся исследованиями долголетия, поскольку стволовые клетки могут производить любые другие ткани в организме и, теоретически, могут стать отправной точкой для омоложения животных, создания человеческих органов или обеспечения запасами клеток для замены.
Почему это важно: Эта работа стала результатом сотрудничества OpenAI с компанией Retro Labs, занимающейся исследованиями долголетия, в которую Сэм Альтман инвестировал 180 миллионов долларов. Она представляет собой первую модель OpenAI, ориентированную на биологические данные, и первое публичное заявление компании о том, что ее модели могут давать научные результаты. Сообщается, что модель ИИ разработала более эффективные белки и быстрее, чем это могли сделать ученые компании. Однако сторонние ученые не могут оценить эти заявления до публикации результатов исследований. Подробнее читайте в статье Антонио Регаладо.
Биты и байты
Что нам известно о запрете TikTok
Популярное видеоприложение в США перестало работать в субботу вечером, а затем возобновило работу около полудня в воскресенье, несмотря на вступление в силу закона о его запрете. (The New York Times)
Почему Meta может не закончить так, как X
X потерял огромные рекламные бюджеты после того, как Илон Маск изменил политику платформы. Но огромные масштабы Facebook и Instagram делают эти платформы труднодоступными для рекламодателей. (Wall Street Journal)
Чего ожидать от Neuralink в 2025 году?
Ещё больше добровольцев получат мозговой имплант, подобный тому, что использовал Илон Маск, но не стоит ожидать скорого появления готового продукта. (MIT Technology Review)
Бывший сотрудник издания Meta, занимавшегося проверкой фактов, заключил новое соглашение о помощи в обучении моделей искусственного интеллекта.
Компания Meta годами платила таким СМИ, как Agence France-Presse, за проверку фактов на своих платформах. После того, как Meta объявила о закрытии этих программ, ведущая европейская компания в области искусственного интеллекта, Mistral, заключила соглашение с AFP об использовании части контента агентства в своих моделях ИИ. (Financial Times)
Модель логического мышления OpenAI иногда «думает» по-китайски, и никто толком не знает почему.
Что касается ответа, модель часто переключается на китайский язык, что, возможно, отражает тот факт, что многие специалисты по разметке данных базируются в Китае. (Tech Crunch)
Источник: www.technologyreview.com
