Att upptäcka bröstcancer är något som Google AI är bra på att göra. Så bra? Ett Ubergizmo rubrik:"Google hävdar att dess AI har 99 % noggrannhet när det gäller att upptäcka metastaserad bröstcancer." Vad finns bakom rubriken?

Svaret är att företaget har ett verktyg för djupinlärning som i tester kunde särskilja metastaserande cancer 99 % av tiden - vilket motsvarar en högre noggrannhetsgrad än vad som uppnåtts av mänskliga patologer.

Varför det är viktigt:"Cancer är ett av de fall där tidig upptäckt kan leda till en högre överlevnadsfrekvens, " kommenterade Tyler Lee i Ubergizmo . Kyle Wiggers, vem täcker AI för VentureBeat , på samma sätt drev poängen hem att metastaserande cancer var "ökänt svåra att upptäcka."

Wiggers tittade på en del statistik och skrev att "av de en halv miljon dödsfall världen över orsakade av bröstcancer, uppskattningsvis 90 procent är resultatet av metastaser." Nu siktar Googles teknik på att spela en användbar roll vid upptäckt.

Inlägg i Google AI-bloggen den 12 oktober, Martin Stumpe, teknisk ledare och Craig Mermel, produktchef, Sjukvård, Google AI, underströk vikten av timing.

"Detektion av nodalmetastaser är relevant för de flesta cancerformer, " de skrev, och, vid bröstcancer, "nodal metastasering påverkar behandlingsbeslut angående strålbehandling, kemoterapi, och potentiellt kirurgiskt avlägsnande av ytterligare lymfkörtlar. Som sådan, noggrannheten och aktualiteten för att identifiera nodalmetastaser har en betydande inverkan på den kliniska vården."

Lee rapporterade att forskarna testade sin AI "mot Lymph Node 2016-utmaningsdataset som innehåller 399 helbildsbilder av lymfkörtelsektioner från Radboud University Medical Center och University Medical Center Utrecht." Resultat:99,3 % poäng i noggrannhet. Ja, 99,3 är inte 100 eftersom det ibland felidentifierade saker. Ändå, poängen på 99,3 % var "bättre jämfört med en praktiserande patolog med uppgift att utvärdera samma objektglas, " skrev Lee.

MIT Technology Review , "Nedladdningen, " påpekade på samma sätt att "99% är överlägsen prestanda hos mänskliga patologer."

Wiggers hade fler detaljer. "I tester, den uppnådde ett område under mottagardriftskarakteristiken (AUC) – ett mått på detekteringsnoggrannhet – på 99 procent. Det är överlägset mänskliga patologer, som enligt en nyligen genomförd bedömning missar små metastaser på individuella objektglas så mycket som 62 procent av gångerna under tidsbrist."

Lägg till en trumrulle för öppen källkod. Tekniken är baserad på en djupinlärningsmodell för bildigenkänning med öppen källkod. Det är Inception V-3. Deras AI-system, under tiden, kallas lymfkörtelassistent, eller LYNA. Joseph Archer, Telegrafen , sa att Google AI lärdes känna igen egenskaperna hos tumörer "genom att studera skanningar från cancerpatienter."

När det gäller nästa steg, forskarna erkände vad de uppnått – och vad som återstår att uppnå.

"Med dessa studier, vi har gjort framsteg när det gäller att demonstrera robustheten hos vår LYNA-algoritm för att stödja en komponent av TNM-stadieindelning av bröstcancer, och utvärdera dess inverkan i en proof-of-concept diagnostisk miljö."

Dock, "resan från bänk till säng" är lång, de sa, och dessa studier har begränsningar, "såsom begränsade datauppsättningsstorlekar och ett simulerat diagnostiskt arbetsflöde som endast undersökte ett enda lymfkörtelglas för varje patient istället för de flera bilder som är vanliga för ett komplett kliniskt fall."

De uppgav att ytterligare arbete är nödvändigt för att bedöma effekten av LYNA på verkliga kliniska arbetsflöden och patientresultat.

MIT Technology Review Ladda ner, tog upp möjliga farhågor om att teknik som denna försöker ersätta mänskliga utövare. Det är inte ett fall av antingen-eller. En diagnos är bara en aspekt av läkare-patientvård, följt av en handlingsplan. Googles AI-ansträngning är och-och.

"Istället för att ersätta människor, denna teknik är mer sannolikt att komplettera deras färdigheter, " sa The Download, "gör det enklare och snabbare att diagnostisera metastaserande tumörer. I en studie, Algoritmen halverade tiden det tog att kontrollera en bild i genomsnitt, skär den till bara en minut per bild."

© 2018 Tech Xplore