Το ξέσπασμα της πανδημίας έκανε πολλούς ανθρώπους να παραλείπουν τους τακτικούς ελέγχους για καρκίνο. Αυτό το γεγονός οδήγησε γιατρούς και ερευνητές στη Μασαχουσέτη να επιστρατεύσουν την τεχνητή νοημοσύνη στην προσπάθεια για έγκαιρο εντοπισμό γυναικών με αυξημένο κίνδυνο να εμφανίσουν καρκίνο του μαστού. Τον τρόπο με τον οποίο χρησιμοποιούν την τεχνητή νοημοσύνη γι' αυτό τον σκοπό παρουσιάζει το Wired.
Η άφιξη του νέου κορονοϊού στη Μασαχουσέτη ανάγκασε την Κόνστανς Λέμαν να αλλάξει τον τρόπο με τον οποίο γίνεται ο έλεγχος για καρκίνο του μαστού στο Γενικό Νοσοκομείο Μασαχουσέτης. Πολλοί άνθρωποι παρέλειπαν τις τακτικές εξετάσεις λόγω της ανησυχίας τους για τον ιό. Έτσι, το κέντρο που συν-διευθύνει η Λέμαν άρχισε να χρησιμοποιεί έναν αλγόριθμο τεχνητής νοημοσύνης για να προβλέπει ποια άτομα κινδυνεύουν περισσότερο να αναπτύξουν καρκίνο.
Από τότε που ξέσπασε η πανδημία, λέει η Λέμαν, περίπου 20.000 γυναίκες έχουν παραλείψει τον τακτικό έλεγχο. Συνήθως, 5 γυναίκες στις 1.000 που υποβάλλονται σε έλεγχο παρουσιάζουν ενδείξεις καρκίνου. Αυτό μεταφράζεται σε 100 μη διαγνωσμένους καρκίνους.
Η προσέγγιση με τη χρήση τεχνητής νοημοσύνης έχει βοηθήσει στον εντοπισμό ενός αριθμού γυναικών που όταν πείστηκαν να έρθουν για έλεγχο ρουτίνας, αποδείχθηκε ότι παρουσίαζαν πρώιμες ενδείξεις καρκίνου. Οι γυναίκες που εντόπισε ο αλγόριθμός είχαν τρεις φορές μεγαλύτερη πιθανότητα να αναπτύξουν καρκίνο. Τα αποτελέσματα που έδιναν προηγούμενες στατιστικές τεχνικές δεν ήταν καλύτερα από τυχαία.
Ο αλγόριθμος αναλύει προηγούμενες μαστογραφίες και φαίνεται να δουλεύει ακόμα και όταν οι γιατροί δεν είχαν δει προειδοποιητικά σημάδια σε αυτές τις παλαιότερες εξετάσεις. Τα εργαλεία τεχνητής νοημοσύνης «εξάγουν πληροφορίες που το μάτι και ο εγκέφαλός μου δεν μπορεί να εξαγάγει», λέει η Λέμαν.
Οι ερευνητές έχουν από καιρό εξάρει τις δυνατότητες της ανάλυσης τεχνητής νοημοσύνης στην ιατρική απεικόνιση και κάποια συναφή εργαλεία έχουν βρει εφαρμογή στην ιατρική περίθαλψη. Η Λέμαν έχει δουλέψει αρκετά χρόνια με ερευνητές του ΜΙΤ για την εφαρμογή της τεχνητής νοημοσύνης στον έλεγχο για καρκίνο.
Ωστόσο, η τεχνητή νοημοσύνη είναι δυνητικά ακόμα πιο χρήσιμη ως τρόπος για την πιο ακριβή πρόβλεψη του κινδύνου. Ο έλεγχος για καρκίνο του μαστού συχνά περιλαμβάνει όχι μόνο την εξέταση μιας μαστογραφίας για καρκινικούς προδρόμους, αλλά τη συλλογή πληροφοριών για τις ασθενείς και την τροφοδότηση αυτών των πληροφοριών σε ένα στατιστικό μοντέλο ώστε να καθοριστεί το αν χρειάζεται περαιτέρω έλεγχος.
Ο Άνταμ Γιάλα, υποψήφιος διδάκτορας στο MIT, άρχισε να αναπτύσσει τον αλγόριθμο που χρησιμοποιεί η Λέμαν, με το όνομα Mirai, πριν την πανδημία. Ο Γιάλα λέει ότι ο σκοπός της χρήσης της τεχνητής νοημοσύνης είναι η βελτίωση της έγκαιρης ανίχνευσης και η μείωση του στρες και του κόστους των ψευδών θετικών.
Για τη δημιουργία του Mirai, ο Γιάλα έπρεπε να ξεπεράσει πολλά προβλήματα που έχουν αντιμετωπίσει άλλες προσπάθειες για χρήση της τεχνητής νοημοσύνης στην ακτινολογία. Ο Γιάλα χρησιμοποίησε μια προσέγγιση αντιπαραθετικής μηχανικής μάθησης, στο πλαίσιο της οποίας ο ένας αλγόριθμος προσπαθεί να ξεγελάσει τον άλλον, προκειμένου να ληφθούν υπόψη διαφορές μεταξύ ακτινολογικών μηχανών, οι οποίες θα μπορούσαν να έχουν ως συνέπεια ότι ασθενείς με το ίδιο κίνδυνο για καρκίνο του μαστού λαμβάνουν διαφορετικά αποτελέσματα. Το μοντέλο σχεδιάστηκε επίσης έτσι ώστε να συγκεντρώνει δεδομένα αρκετών χρόνων, ώστε να είναι πιο ακριβές από προηγούμενες προσπάθειες που περιλάμβαναν λιγότερα δεδομένα.
Ο αλγόριθμος του ΜΙΤ αναλύει τις τέσσερις συνήθεις όψεις σε μια μαστογραφία, από την οποία συνάγει πληροφορίες για μία ασθενή οι οποίες δεν συλλέγονται συχνά, όπως το ιστορικό μιας εγχείρησης ή ορμονικοί παράγοντες όπως η εμμηνόπαυση. Αυτό μπορεί να βοηθήσει αν τα συγκεκριμένα δεδομένα δεν έχουν ήδη συλλεχθεί από έναν γιατρό.
To Mirai βρέθηκε ότι είναι πιο ακριβές από τα στατιστικά μοντέλα που χρησιμοποιούνται συνήθως για να εκτιμήσουν τον κίνδυνο να αναπτύξει μια γυναίκα καρκίνο του μαστού. Όταν συγκρίθηκαν με τη χρήση στοιχείων ιστορικού της ασθενούς, το 42% των γυναικών που εμφάνισαν καρκίνο είχαν χαρακτηριστεί ως υψηλού κινδύνου από τον αλγόριθμο, σε σύγκριση με το 23% στην περίπτωση του καλύτερου υπάρχοντος μοντέλου. Ο αλγόριθμος δούλεψε επίσης με δεδομένα ασθενών από την Ταϊβάν και τη Σουηδία, γεγονός που υποδεικνύει ότι είναι αποτελεσματικός για ένα μεγάλο εύρος ασθενών. Ο Γιάλα λέει ότι το μοντέλο φαίνεται να γενικεύει καλά λόγω του μεγάλου, επαρκώς ποικιλόμορφου συνόλου δεδομένων που χρησιμοποιεί, αλλά σημειώνει ότι είναι πάντα σημαντικό να επικυρώνονται οι αλγόριθμοι σε διαφορετικά περιβάλλοντα.
