Jak sztuczna inteligencja pomoże w zapobieganiu przedwczesnym porodom?
Wg raportu Światowej Organizacji Zdrowia (WHO) spontaniczny przedwczesny poród dotyczy 15 milionów noworodków rocznie. Aż milion z nich umiera. Wiele przez całe życie mierzy się z niepełnosprawnością.
Wykorzystywana powszechnie manualna analiza obrazów ultrasonograficznych umożliwia wykrycie ewentualnych problemów, ale nie jest to metoda doskonała.
Problem ten dostrzegają lekarze. W 2017 roku Nicole Sochacki-Wójcicka (w trakcie specjalizacji z ginekologii) oraz Jakub Wójcicki zgłosili się do dr. Tomasza Trzcińskiego z Wydziału Elektroniki i Technik Informacyjnych PW z pytaniem, czy jest możliwość zrealizowania projektu predykcji spontanicznego przedwczesnego porodu z wykorzystaniem sieci neuronowych.
Wtedy powstał zespół badawczy i zaczęły się prace. Pierwsze efekty już znamy.
Nasze rozwiązanie może wspomóc diagnostykę komputerową i pozwolić z większą dokładnością przewidywać spontaniczne przedwczesne porody – wyjaśnia Szymon Płotka, absolwent Politechniki Warszawskiej i jeden z członków zespołu pracującego nad projektem.
Wytrenować sieć neuronową
Przed rozpoczęciem projektu, współpracujący z nami lekarze przygotowali zestaw danych uczących, walidacyjnych oraz adnotacji w formie obrysu kształtu szyjek macicy na obrazach ultrasonograficznych oraz numerycznych (0 i 1), odpowiadającymi kolejno: poród w terminie, poród przedwczesny – wyjaśnia Szymon Płotka.
Po wstępnym oczyszczeniu takie dane są wykorzystywane jako dane „uczące” sieć neuronową – w tym przypadku konwolucyjną (splotową).
Analizuje ona każde zdjęcie piksel po pikselu, wyodrębniając z nich niezbędne cechy, które posłużą do zadania segmentacji interesującego nas fragmentu obrazu (w tym przypadku szyjki macicy) oraz klasyfikacji (czy mamy do czynienia z porodem przedwczesnym, czy nie) – tłumaczy dalej Szymon Płotka.W trakcie treningu sieć neuronowa testuje swoje predykcje na zbiorze walidacyjnym. Po zakończeniu trenowania sieci neuronowej, jest ona sprawdzana na danych testowych, które nie zostały wykorzystane w ramach treningu. W ten sposób weryfikuje się poprawność wytrenowanego modelu.
W ramach projektu powstały dwie publikacje naukowe.
Efektem prac opisanych w „Estimation of preterm birth markers with U-Net segmentation network” (publikacja dostępna tutaj i tutaj) jest m.in. redukcja błędu predykcji spontanicznych przedwczesnych porodów z 30% (manualnie przez lekarzy) do 18% przez sieć neuronową.
W „Spontaneous preterm birth prediction using convolutional neural networks” (szczegóły tutaj i tutaj) naukowcy zaprezentowali poprawę jakości segmentacji w stosunku do pierwszej publikacji i uzyskali lepsze wyniki klasyfikacji.
Zgodnie z naszą najlepszą wiedzą, są to jedyne istniejące prace podejmujące się zadania predykcji spontanicznego przedwczesnego porodu w oparciu o transwaginalne obrazy ultrasonograficzne – mówi Szymon Płotka.
Naukowcy pracują obecnie nad serwisem w formie aplikacji internetowej. Chcą tam udostępnić przygotowane modele sieci neuronowej. Ma to pomóc ginekologom analizować obrazy ultrasonograficzne i tym samym wesprzeć diagnostykę spontanicznego przedwczesnego porodu. A to może uratować życie i zdrowie milionów noworodków.
Komentarze (4)
idearmo, 27 stycznia 2021, 08:34
Coraz więcej takich sytuacji:
1.Nie rozumiemy jak coś się dzieje
2. Więc wytrenujmy sieć neuronową
3. Mamy "sukces" bo sieć robi coś lepiej od specjalistów
Tylko ze nawet specjaliści nie potrafią wyciągnąć wniosku z powyższego procesu: nadal nie potrafimy odpowiedzieć na pytanie jakie cechy obrazu sieć neuronów traktuje jako istotne w ocenie przypadku.
To wykorzystanie sieci neuronowych jest dla mnie trochę mało naukowe. Doceniam starania byśmy byli zdrowi ale to nadal kiepskie, że używamy czegoś czego nie potrafimy wyjaśnić.
Jajcenty, 27 stycznia 2021, 09:45
Bo cechy mogą być bardzo subtelne, a komputer ma możliwość przepuszczenia obrazu przez setki filtrów. W przypadku U-net to 96 różnych filtrów wydobywających krawędzie i tekstury (cechy). Komputer się nie męczy i jest cały czas skupiony, błędy rozpoznania wynikają głównie z jakości obrazu i/lub wczesnego etapu problemu.
Nigdy nie bawiłem się U-Netem, ale jestem prawie pewien, że niektóre frameworki pozwalają zaglądnąć do wnętrza wyuczonego modelu i wskazania które filtry są najistotniejsze. Tylko taka wiedza lekarzowi na nic, powiedzmy że najważniejszy jest filtr 1, no i co?
idearmo, 27 stycznia 2021, 10:58
No i można by wyciągnąć jakieś wnioski na przyszłość ("że kształt szyjki macicy w tym i tym miejscu..." lub coś podobnego) i pójść z tą wiedzą do przodu i na tej bazie dokonywać kolejnych odkryć. A tak mamy magiczne pudełko o którym za wiele nie wiemy, poza tym że się nie męczy i jest skuteczniejsze od lekarzy w kilku analizach, ale wyciągnięta wiedza wygląda na "ostateczną": sieć neuronowa tak zadecydowała, no i co jej zrobisz? Przyjmiesz jako prawdę objawioną? W jaki sposób poza badaniem skuteczności można podważyć jej działanie? To mi przypomina konia, który podobno dobrze liczył, a potem się okazało, że po prostu obserwował zachowanie obserwatorów i na tej podstawie osiągał korzyści (smakołyki). Może też powinniśmy nie zatrzymywać się na "ta sieć neuronowa jest lepsza od lekarzy" bo dla mnie to jest zadanie bardziej dla operatorów odpowiednich programów a nie dla naukowców, tylko powinniśmy zgłębiać dalej ten temat zadając pytania w stylu "dlaczego sieć neuronowa dokonała takiej a nie innej decyzji", albo "co zadecydowało o kwalifikacji danego obrazu do tej kategorii".
Z tego powodu dokonania typu "zaprogramowaliśmy sieć neuronową i jesteśmy lepsi od człowieka" jest i owszem, dokonaniem, ale dla mnie mało naukowym, a raczej technicznym. Z tego powodu prędzej widziałbym taki artykuł nie w Kopalni wiedzy ale na portalach IT oraz medycznych. Po prostu zrzędzę, że mało tej nauki w tym odkryciu.
Jajcenty, 27 stycznia 2021, 11:17
To jest robione w procesie douczania. Lekarz może douczyć sieć, czy sieć może douczyć lekarza? Bardzo wątpię. Może na etapie studiów do weryfikacji umiejętności studenta.
Ależ my to wiemy. Przecież uczymy: jak tu jest białe a obok czarne to rak. Im więcej czarnego tym więcej rak. Sieć jedynie kondensuje te wiedzę lekarzy do macierzy współczynników.