Open Source AI van Google diagnosticeert longkankertypen met extreme nauwkeurigheid!

Eerder hebben onze Open Science en AI-artikelen uitvoerig de betekenis van Open Source Science en AI besproken via verschillende toepassingen, waaronder gezondheidszorg en medicijnen. Onlangs zijn er veelbelovende nieuwe ontwikkelingen op deze gebieden geweest!

Kankerpathologen kunnen nu gebruikmaken van een geavanceerd Open Source AI-systeem dat nu een extreem hoog niveau van nauwkeurigheid heeft bereikt bij het detecteren van bepaalde vormen van longkanker!

Dit is de realisatie van een van de vele visies van de innovators en onderzoekers aan de New York University (NYU), die twee jaar geleden in deze video uitvoerig werden beschreven:

Hun AI-systeem wordt DeepPATH genoemd, een Open Source-raamwerk dat de codes verzamelt die zijn gebruikt om het gebruik van een diepgaande leerarchitectuur te bestuderen (Google inception v3).

De toekomst van AI-geassisteerde therapie lijkt veelbelovender dan ooit, nu onderzoekers van NYU het DeepPATH-raamwerk hebben ontworpen. Hun algoritme is ontworpen om het te trainen in het onderscheiden en identificeren van beelden van longen die bestaan ​​uit zowel normale als door kanker aangetaste weefsels.

Waarom is dit geweldig nieuws?

De meest voorkomende vorm van kanker wereldwijd is longkanker. Tot nu toe zijn in 2018 2, 09 miljoen gevallen van longkanker gemeld, met 1, 76 miljoen sterfgevallen als gevolg van alleen longkanker. De WHO beschrijft het levendig.

Er zijn vier belangrijke risicofactoren voor kanker:

  • Tabak gebruik
  • Alcoholgebruik,
  • Ongezond dieet
  • Lichamelijke inactiviteit

Het Nature-papier (preprint hier beschikbaar) met de titel "Classificatie en mutatievoorspelling van histopathologische beelden van niet-kleincellige longkanker met behulp van diepgaand leren", benadrukt de effectiviteit van hun algoritme bij het identificeren van longkankertypes met een nauwkeurigheid van 97%!

Waarom is de nieuwe studie nuttig voor kankerpathologen?

De onderzoekers bereikten de nieuwe prestatie door hun AI-algoritme te leren om onderscheid te maken tussen twee specifieke longkankertypen, namelijk Adenocarcinoom (LUAD) en plaveiselcelcarcinoom (LUSC), de meest voorkomende subtypes van longkanker.

Op basis van de linkerafbeelding (een kankerweefselplak uit de long), classificeert de AI deze in drie categorieën, zoals we rechts zien: LUAD is in rood, LUSC in blauw en Normaal / gezond longweefsel is grijs weergegeven | Beeldbron hier

In de conventionele medische praktijk is visuele inspectie door een ervaren patholoog absoluut essentieel om een ​​type longkanker duidelijk van de andere te onderscheiden. Nu kan AI dezelfde taak uitvoeren, aangezien de prestaties van hun deep learning-modellen vergelijkbaar waren met elk van de drie pathologen (twee thoracale en één anatomische) die werden gevraagd deel te nemen aan deze studie en dit is de reden waarom deze doorbraak zo belangrijk is !

De start van Google v3 is getraind om tumorgebieden te herkennen op basis van de handmatige selecties van de pathologen. De onderzoekers van NYU hebben een diep convolutioneel neuraal netwerk (Google inception v3) getraind op afbeeldingen met volledige dia's verkregen van de Cancer Genome Atlas om ze intelligent te classificeren in LUAD, LUSC of Normal Lung Tissue.

Naast het identificeren van kankerweefsel, heeft het team het ook getraind om genetische mutaties in het weefsel te identificeren. Van de tien meest gemuteerde genen in LUAD, werden er zes voorspeld, namelijk STK11, EGFR, FAT1, SETBP1, KRAS en TP53.

Niet alleen dat, maar het team van AI-wetenschappers heeft ook het toekomstige aspect uiteengezet van het toepassen van hetzelfde algoritme om de classificatie uit te breiden tot andere typen minder voorkomende longkankers, zoals grootcellig carcinoom, kleincellige longkanker en histologische subtypes van LUAD en ook op niet-neoplastische kenmerken (neoplastisch heeft betrekking op neoplasma's) inclusief necrose, fibrose en andere reactieve veranderingen in de micro-omgeving van de tumor.

Ze hebben ook op dit moment melding gemaakt van data-insufficiëntie voor dergelijke toepassingen. Maar in de toekomst, als meer dergelijke gevallen uiteindelijk worden gezien, zouden er ook meer datasets beschikbaar moeten komen, zodat het algoritme ermee kan trainen.

De gehele deep learning studie door het team werd versneld door gebruik te maken van de aanzienlijk hogere rekenkracht van grafische verwerkingseenheden of GPU's (vergeleken met conventionele Central Processing Units of CPU's). Ze gebruikten in het bijzonder een enkele Tesla K20m GPU, met een verwerkingstijd van ongeveer 20 seconden. Maar ze benadrukten ook dat het gebruik van meerdere GPU's die tijd tot een paar seconden zou verkorten.

Ons meest favoriete deel van dit nieuws is natuurlijk dat de volledige code van DeepPATH Open Source is en direct beschikbaar is op GitHub. Dit zou het erg nuttig maken voor academici en onderzoekers (zowel individuen als groepen) die in vergelijkbare onderzoeksprojecten werken die ook hetzelfde systeem zouden willen gebruiken om hun eigen datasets met AI te analyseren en interpreteren. Deze datasets kunnen elke vorm hebben die onze samenleving ten goede kan komen.

We hebben datasets besproken in een eerder artikel, waarin we beschreven hoe NASA's Open Science-initiatieven kunnen worden gebruikt om datasetsuggesties te vragen via indiening op hun Open Data Portal. Misschien kunnen de datasets die daar beschikbaar zijn ook behoorlijk vindingrijk zijn voor Google's Open Source AI?

Is dit niet een geweldige nieuwe mijlpaal voor Applied Open Source AI? Wil je meer van dergelijke ontwikkelingen in de toekomst van Applied AI zien met een Open Source-aanpak? Laat ons je mening weten in de reacties hieronder.

Aanbevolen

Android installeren op BQ Aquaris Ubuntu-telefoon in Linux
2019
Hoe Gnome installeren 3.10 in Ubuntu 13.10
2019
Iemand heeft $ 1 miljoen toegezegd aan de GNOME-stichting op een anonieme manier
2019