ИИ, имитирующий pathologists' подход «поиск и спасение», повышает точность обнаружения рака на 100%

Введение

Искусственный интеллект (ИИ) все активнее исследуется на предмет его потенциала революционизировать медицинскую диагностику. В новаторском исследовании представлен новый подход ИИ, который имитирует сложный, динамичный способ, которым патологи-люди изучают образцы тканей на предмет признаков рака. Этот новый метод, получивший название «Pathology-CoT», продемонстрировал замечательную эффективность, достигнув 100% точности в идентификации слайдов с положительным результатом на рак в первоначальных тестах, что значительно превосходит существующие ИИ общего назначения.

Ключевые детали

Новый метод обучения: ИИ обучался с использованием подхода «цепочка рассуждений», изучая наблюдаемые действия патологов-людей, включая их схемы сканирования, уровни увеличения и области сосредоточенного внимания.
Инструмент Pathology-o3: Исследователи разработали инструмент под названием Pathology-o3, который использует это обучение для первоначального сканирования слайдов с низким разрешением, выявления перспективных областей на основе изученного поведения патологов и последующего направления модели обработки изображений с использованием языка (VLM) для анализа с высоким разрешением.
Метрики производительности: В тестах на лимфатической ткани из случаев колоректального рака Pathology-o3 правильно идентифицировал 100% слайдов с положительным результатом на рак, с 15,5% ложных срабатываний. Для сравнения, OpenAI o3 идентифицировал 87,5% слайдов с положительным результатом на рак с показателем ложных срабатываний 53,3%.
Независимое тестирование: На независимом наборе данных Pathology-o3 достиг 97,6% точности в идентификации слайдов с положительным результатом на рак, с 37,1% ложных срабатываний, демонстрируя адаптивность к новым источникам данных.
Фокус на общем ИИ: Исследование было направлено на улучшение навигационных возможностей общего ИИ на слайдах патологий, а не на конкуренцию со специализированными моделями ИИ, обученными для конкретных типов рака.

Предыстория

Традиционные системы ИИ для патологии часто анализируют предварительно выбранные области или разделяют целые слайды на фрагменты фиксированного размера. Это резко контрастирует с методом патолога-человека, который включает в себя более гибкий и интуитивный процесс. Патологи динамически сканируют целые слайды при различных увеличениях, приближая области, требующие более пристального изучения. Это важно, поскольку признаки рака могут присутствовать лишь в небольшой части обширного образца ткани, который может содержать миллиарды пикселей. Чжи Хуан, соавтор исследования и доцент Университета Пенсильвании, сравнил это с вертолетом поисково-спасательной службы: сначала сканируя местность, а затем фокусируясь на конкретных областях.

Задача ИИ заключалась в том, чтобы воспроизвести это первоначальное, широкое сканирование. Многие существующие модели ИИ обучаются на конечном результате – маркированных изображениях или диагнозах – а не на самом процессе. Исследователи признали, что наблюдаемые действия патологов, «цепочка рассуждений» за их диагностическим процессом, содержали ценную информацию, которую можно было использовать для обучения.

Анализ воздействия

Результаты исследования имеют большое значение. 100% уровень обнаружения Pathology-o3 в первоначальном наборе тестов является серьезным шагом вперед для ИИ общего назначения в диагностике. Хотя показатель ложных срабатываний в 15,5% может показаться высоким, исследователи объясняют, что это преднамеренный выбор дизайна, призванный не пропустить потенциальный рак. Этот подход, направленный на пометку подозрительных областей для проверки человеком, может значительно снизить вероятность пропущенных диагнозов. Сравнение с OpenAI o3 подчеркивает эффективность метода обучения Pathology-CoT, показывая существенное улучшение как в идентификации истинно положительных результатов, так и в значительном снижении ложных срабатываний.

«Главное — не наша система. Главное — то, что недостающий ингредиент все это время находился в больницах».

Производительность на независимых наборах данных, несмотря на небольшое увеличение ложных срабатываний, по-прежнему указывает на способность ИИ к обобщению. Эта адаптивность имеет решающее значение для реальных приложений, где данные могут значительно различаться. Тот факт, что метод обучения улучшил несколько существующих VLM, предполагает, что основная методология является надежной и широко применимой, не привязанной к одной архитектуре ИИ.

Более широкий контекст

Это исследование вписывается в более широкую повествование об ИИ, дополняющем, а не заменяющем человеческий опыт в таких критически важных областях, как медицина. Авторы исследования подчеркивают, что их цель — не создать ИИ, который автономно диагностирует рак, а инструмент, который расширяет возможности патологов-людей. Нынешняя система, хотя и мощная, работает с отдельными слайдами и не имеет более широкого клинического контекста (история болезни пациента, множественные окрашивания и т. д.), который интегрируют эксперты-люди. Это подчеркивает постоянную потребность в подходе «человек в контуре», где ИИ служит продвинутым помощником.

Разработка также затрагивает этические соображения ИИ в здравоохранении. Допустимый уровень ложных срабатываний, как отметил внешний эксперт Мохаммад Асади, сильно зависит от предполагаемого использования. Для инструмента предварительного скрининга более высокий уровень ложных срабатываний может быть приемлемым, если он приведет к более тщательной проверке человеком и меньшему количеству пропущенных случаев рака. Однако нагрузка по проверке этих ложных сигналов на рабочую нагрузку патологов требует тщательного рассмотрения в будущих испытаниях.

Будущее

Следующие шаги для исследователей включают прямые сравнительные исследования, в которых патологи-люди будут работать с Pathology-o3 и без него, чтобы измерить улучшения в скорости обнаружения и эффективности. Дальнейшие исследования будут также сосредоточены на интеграции анализа нескольких слайдов и включении более широких клинических данных. Конечная цель — провести многобольничные испытания, которые оценят не только точность и скорость, но и практическое влияние на рабочую нагрузку патологов и их способность критически оценивать предложения ИИ. Потенциал этой технологии заключается в ее способности выступать в качестве высокоэффективного инструмента предварительного скрининга, направляя экспертов-людей к наиболее критическим областям образцов тканей с беспрецедентной точностью.

Заключение

Разработка Pathology-CoT представляет собой значительный прогресс в области ИИ для медицинской диагностики. Успешно обучив ИИ имитировать динамичный, человекоподобный подход патологов, исследователи создали инструмент, который значительно повышает точность обнаружения рака. Хотя проблемы остаются, особенно в отношении ложных срабатываний и интеграции в более широкие клинические рабочие процессы, потенциал этого ИИ служить мощным помощником для экспертов-людей, в конечном итоге приводя к более ранней и точной диагностике рака, огромен. Исследование подчеркивает ценность наблюдения и изучения человеческого опыта для создания более эффективных систем ИИ.