Die künstliche Intelligenz (KI) – Technologie, entwickelt von dem RIKEN Center for Advanced Intelligence-Projekt (AIP) in Japan hat erfolgreich gefunden Funktionen in der Pathologie-Bilder von menschlichen Krebs-Patienten, ohne Anmerkung, dass verstanden werden könnte, durch menschliche ärzte. Weiter, die KI identifiziert Funktionen, die relevant sind, um Krebs-Prognose, die früher nicht bemerkt von den Pathologen, die zu einer höheren Genauigkeit der Prostata-Krebs-Rezidiv, im Vergleich zu der Pathologe-basierte Diagnose. Die Kombination der Prognosen durch die AI mit den Vorhersagen von menschlichen Pathologen geführt, um eine noch größere Genauigkeit.
Nach Yoichiro Yamamoto, der erste Autor der Studie, die in Nature Communications: „Diese Technologie könnte dazu beitragen, die personalisierte Medizin, indem Sie sehr genaue Vorhersage für ein Wiederauftreten des Krebses möglich durch den Erwerb neuer Kenntnisse von den Bildern. Es könnte auch dazu beitragen zu verstehen, wie AI sicher verwendet werden kann, in der Medizin, indem Sie zur Lösung des Problems der KI gesehen als ‚black box‘.'“
Die Forschergruppe um Yamamoto und Gehen Kimura, die in Zusammenarbeit mit einer Reihe von Universitätskliniken in Japan, verabschiedet ein Konzept namens „unüberwachtes lernen.“ Solange die Menschen lehren, die KI, es ist nicht möglich, Kenntnisse zu erwerben über das hinaus, was derzeit bekannt. Eher als, „angelernt“ medizinischen Wissens, die KI wurde gebeten, zu lernen mit den unüberwachten deep neural networks, bekannt als autoencoders, ohne irgendwelche medizinischen Kenntnisse. Die Forscher entwickelten eine Methode für die übersetzung der Funktionen, die von der AI—nur die zahlen zunächst—in high-resolution-Bilder, verstanden werden kann durch den Menschen.
Zum durchführen dieses Kunststück die Gruppe erwarb 13,188 ganze Berg Pathologie dia-Bilder der Prostata von der Nippon Medical School Hospital (NMSH), Die Datenmenge war so groß, das entspricht rund 86 Milliarden image-patches (unter-Bilder unterteilt, für Tiefe neuronale Netze), und die Berechnung erfolgte auf AIP leistungsstarken RAIDEN supercomputer.
Die KI gelernt, mit Pathologie-Bilder ohne Diagnose Anmerkung von 11 Millionen Bild-patches. Funktionen von AI enthalten Krebs-Diagnose-Kriterien, die verwendet wurden, weltweit der Gleason-score, aber auch features, die mit dem stroma—Bindegewebe unterstützt ein organ—in nicht-Krebs-Bereiche, die Experten nicht bewusst waren. Um zu bewerten, diese AI-Funktionen gefunden, die Arbeitsgruppe überprüft die Leistung von Rezidiv-Vorhersage mit den übrigen Fällen von NMSH (interne Validierung). Die Gruppe fand, dass die features entdeckt, die von der AI waren genauer (AUC=0.820) als Prognosen beruhen auf der menschlichen etablierten Krebs-Kriterien, entwickelt von Pathologen, der Gleason-score (AUC=0.744). Außerdem, die Kombination der beiden AI-Funktionen gefunden und die Mensch-Kriterien Voraus, die Wiederholung genauer als mit einer Methode allein (AUC=0.842). Die Gruppe bestätigte die Ergebnisse mit einem Datensatz, einschließlich 2,276 ganze Berg Pathologie-Bilder (10 Milliarden image-patches) aus St. Marianna University Hospital und der Aichi Medical University Hospital (externe Validierung).