Tıbbi görüntülemede Yapay Zekâ teknikleri yanlış tanılara neden olabilir?

Makine öğrenimi ve yapay zeka, tıbbi görüntü rekonstrüksiyonunda son derece kararsızdır ve yanlış pozitiflere ve yanlış negatiflere yol açabilir.

Cambridge Üniversitesi ve Simon Fraser Üniversitesi liderliğindeki bir araştırmacı ekibi, AI ve derin öğrenmeye dayanan tıbbi görüntü rekonstrüksiyon algoritmaları için bir dizi test tasarladı ve bu tekniklerin sayısız eserler veya verilerde istenmeyen değişikliklerle sonuçlandığını, son görüntülerdeki diğer büyük hataların yanı sıra. Etkiler tipik olarak AI bazlı olmayan görüntüleme tekniklerinde mevcut değildi.

Bu fenomen, farklı yapay sinir ağları arasında yaygındı ve bu da sorunun kolayca çözülmeyeceğini düşündürdü. Araştırmacılar, tanı koymak ve tedaviyi belirlemek için AI tabanlı görüntü rekonstrüksiyon tekniklerine güvenmenin sonuçta hastalara zarar verebileceği konusunda uyarıyorlar. Sonuçları Ulusal Bilimler Akademisi Bildiriler Kitabı’nda bildirilmektedir .

Cambridge Uygulamalı Matematik Bölümü’nden Dr. Anders Hansen ve ” Tıbbi görüntülemede yapay zeka konusunda çok fazla coşku var ve modern tıbbın devrimine girme potansiyeli de olabilir : ancak göz ardı edilmemesi gereken potansiyel tuzaklar var” dedi. Teorik Fizik, Simon Fraser Üniversitesi’nden Dr. Ben Adcock ile araştırmaya öncülük etti. “AI tekniklerinin tıbbi görüntülemede oldukça kararsız olduğunu gördük, böylece girdideki küçük değişiklikler çıktıda büyük değişikliklere neden olabilir.”

Tipik bir MRI taraması, taranan alanın boyutuna ve çekilen görüntü sayısına bağlı olarak 15 dakika ile iki saat arasında sürebilir. Hasta makinenin içinde ne kadar uzun süre kalırsa, son görüntü de o kadar yüksek olur. Bununla birlikte, hem bireysel hastalar için riski azaltmak hem de gerçekleştirilebilecek toplam tarama sayısını arttırmak için hastaların makine içinde geçirdiği sürenin sınırlandırılması istenmektedir.

MRI taramalarından veya diğer tıbbi görüntüleme türlerinden gelen görüntülerin kalitesini artırmak için AI tekniklerini kullanmak, en yüksek kalitede görüntüyü en kısa sürede elde etme sorununu çözmek için cazip bir olasılıktır: teorik olarak AI düşük çözünürlüklü bir görüntü alabilir ve yüksek çözünürlüklü bir versiyona dönüştürün. AI algoritmaları, önceki verilerden alınan eğitime dayalı olarak görüntüleri yeniden oluşturmayı ‘öğrenir’ ve bu eğitim prosedürü yoluyla yeniden yapılandırmanın kalitesini optimize etmeyi amaçlar. Bu, önceki verilere bağımlı olmadan yalnızca matematiksel teoriye dayanan klasik yeniden yapılandırma tekniklerine kıyasla radikal bir değişikliği temsil eder. Özellikle klasik teknikler öğrenmez.

Herhangi bir AI algoritmasının güvenilir olması için iki şeye ihtiyacı vardır: doğruluk ve kararlılık. Bir yapay zeka genellikle bir kedinin görüntüsünü kedi olarak sınıflandıracaktır, ancak görüntüdeki küçük, neredeyse görünmez değişiklikler algoritmanın kediyi bunun yerine kamyon veya masa olarak sınıflandırmasına neden olabilir. Bu görüntü sınıflandırması örneğinde, yanlış gidebilecek şeylerden biri görüntünün yanlış sınıflandırılmasıdır. Bununla birlikte, tıbbi görüntülemede kullanılanlar gibi görüntü rekonstrüksiyonu söz konusu olduğunda, yanlış gidebilecek birkaç şey vardır. Örneğin, bir tümör gibi detaylar kaybolabilir veya yanlış eklenebilir. Ayrıntılar gizlenebilir ve görüntüde istenmeyen artefaktlar oluşabilir.

Hansen, “İnsan sağlığı konusunda kritik kararlar söz konusu olduğunda hata yapan algoritmalara sahip olamayız.” Dedi. “Bir hastanın hareket etmesinden kaynaklanabilecek en küçük yolsuzluğun, tıbbi görüntüleri yeniden yapılandırmak için yapay zeka ve derin öğrenmeyi kullanıyorsanız çok farklı bir sonuç verebileceğini bulduk.

Hansen ve Norveç, Portekiz, Kanada ve İngiltere’den meslektaşları, MRI, CT ve NMR dahil AI tabanlı tıbbi görüntüleme sistemlerindeki kusurları bulmak için bir dizi test tasarladılar. Üç önemli konuyu ele aldılar: küçük pertürbasyonlar veya hareketlerle ilişkili kararsızlıklar; küçük tümörü olan veya olmayan bir beyin görüntüsü gibi küçük yapısal değişikliklerle ilgili kararsızlıklar; ve numune sayısındaki değişikliklere ilişkin kararsızlıklar.

Bazı küçük hareketlerin son görüntülerde sayısız eserlere yol açtığını, detayların bulanık olduğunu veya tamamen kaldırıldığını ve görüntü yeniden inşasının kalitesinin tekrarlanan alt örneklemeyle bozulacağını buldular. Bu hatalar farklı sinir ağları arasında yaygındı.

Araştırmacılara göre, en endişe verici hatalar, radyologların teknik bir hata nedeniyle kolayca çıkarılabilenlerin aksine, tıbbi konular olarak yorumlayabilecekleri hatalardır.

Hansen, ” Derin öğrenme tekniklerinin tıbbi görüntülemede evrensel olarak kararsız olacağına dair tezimizi doğrulamak için testi geliştirdik .” Dedi. “Bizim tahminimizin nedeni, bir yeniden yapılandırmanın sınırlı tarama süresinin ne kadar iyi verilebileceğinin bir sınırı olmasıydı. Bir anlamda, modern AI teknikleri bu engeli aştı ve sonuç olarak kararsız hale geldi. Matematiksel olarak bu kararsızlıkları ödemek ya da basitçe söylemek gerekirse: ücretsiz bir öğle yemeği diye bir şey yoktur. “

Araştırmacılar şimdi yapay zeka teknikleri ile neler yapılabileceğinin temel sınırlarını sağlamaya odaklanıyor. Sadece bu limitler bilindiğinde hangi problemlerin çözülebileceğini anlayabiliriz. Hansen, “Deneme ve hataya dayalı araştırmalar, simyacıların altın yapamayacağını asla keşfedemez: modern yapay zeka ile benzer bir durumdayız” dedi. “Bu teknikler asla kendi sınırlamalarını keşfetmeyecektir. Bu sınırlamalar sadece matematiksel olarak gösterilebilir.”