Авторы исследования, опубликованного в PNAS, предупреждают, что нельзя доверять методам медицинской визуализации, реконструированным с использованием искусственного интеллекта . Международная исследовательская группа, работающая под руководством Андерса Хансена из Кембриджского университета, заявила, что инструменты глубокого обучения, которые восстанавливают высококачественные изображения на основе быстрого сканирования, создают многочисленные искажения и артефакты, которые могут повлиять на диагностику.
Как мы неоднократно сообщали, системы искусственного интеллекта уже настолько развиты, что могут описывать рентгеновские снимки, компьютерную томографию или магнитно-резонансную томографию и многое другое. В связи с этим возникла идея, что ИИ будет использовать реконструкцию изображений.
Идея состоит в том, чтобы выполнять визуализацию с более низким разрешением, то есть собирать данные с меньшего числа точек, а затем для обученных систем алгоритмы искусственного интеллекта реконструируют изображение с высоким разрешением на этой основе. Таким образом, вы можете сэкономить время и деньги, необходимые для выполнения теста. Используемые здесь алгоритмы были обучены на большой базе высококачественных изображений, что является значительным отклонением от классических методов реконструкции, основанных на математических теориях.
Однако оказывается, что такие системы ИИ имеют серьезные проблемы. Они могут пропустить небольшие структурные изменения, такие как небольшие опухоли, в то время как небольшие, почти невидимые нарушения, вызванные, например, движением пациента, могут быть воспроизведены как серьезные артефакты на исходном изображении.
Команда, состоящая из Вегарда Антуна из Университета Осло, Франческо Ренны из Университета Порту, Кларис Пун из Университета Бата, Бена Адкока из Университета Саймона Фрейзера и уже упомянутого Андерса Хансена протестировала шесть нейронных сетей, используемых для реконструкции томографии и резонансных изображений.
Мы увидели, что небольшие помехи, которые нельзя увидеть невооруженным глазом, могут внезапно стать серьезным артефактом, который появляется на изображении, или что-то удаляется им. Таким образом, мы получаем ложноположительные и ложноотрицательные данные , объясняет Хансен.
Ученые хотят проверить способность системы обнаруживать небольшие изменения, добавлять строчные буквы и символы из игральных карт в сканы. Только одна из сетей ИИ смогла правильно их реконструировать. Другие сети либо показали размытое изображение здесь, либо удалили надстройки.
Также оказалось, что только одной нейронной сети удалось увеличить скорость сканирования и создать изображения более высокого качества, чем это было бы видно из полученных входных данных. Вторая сеть не смогла улучшить качество изображений и показала сканы низкого качества, а три других восстановили изображения с худшим качеством, чем они были получены для обработки. Последняя из систем не позволяла увеличить скорость сканирования.
Хансен также говорит, что исследователи должны начать тестирование стабильности таких систем. Затем они обнаружат, что многие такие системы нестабильны . Однако самая большая проблема заключается в том, что мы не можем математически понять, как работают такие системы. Они для нас загадка. Если мы не проверим их должным образом, мы можем получить катастрофически плохие результаты.
К счастью, такие системы еще не используются в клинической практике. Команда Хансена создала правильные тесты, чтобы проверить их. Ученые говорят, что они не хотят, чтобы такие системы были одобрены для использования, если они не проходят подробное тестирование.
Подписывайтесь на канал Яндекс-Дзен «DailyNet», заходите на наш сайт DAILYNET.RU и первым узнавайте новости в научно-технической сфере.
