Učenje umjetne inteligencije da govori jezikom patologije

Studija Microsoft Researcha, nedavno objavljena u  časopisu Nature Medicine opisuje pristup usmjeren na unapređenje medicinskih istraživanja. Istraživači iz tvrtki Microsoft Research i Paige, sada dio tvrtke Tempus, razvili su PRISM2, model temeljne patologije obučen na slikama tkiva i jeziku na temelju stvarnih patoloških izvješća.

Cilj je bio pomoći umjetnoj inteligenciji da uči iz velike količine dostupnih tekstualnih podataka i stvori sustav koji bi mogao podržati buduća istraživanja i razvoj u patologiji.

Tijekom testiranja, model je postigao ili nadmašio performanse specijaliziranih sustava za otkrivanje raka na nekoliko referentnih zadataka, uključujući otkrivanje raka prostate, raka dojke i metastaza u limfnim čvorovima dojke. Važno je napomenuti da su istraživači izvijestili o ovim rezultatima bez stvaranja zasebnog modela za svaki zadatak.

Patologija je u središtu mnogih dijagnoza raka. Patolozi pregledavaju uzorke tkiva i izrađuju izvješća koja vode odluke o liječenju. Kako zdravstvo generira sve veće količine podataka, istraživači istražuju kako umjetna inteligencija može pomoći kliničarima u donošenju tih odluka, a možda čak i pružiti nove uvide.

Većina patoloških AI sustava danas je dizajnirana za jednu svrhu, poput otkrivanja određene vrste raka. PRISM2 je razvijen kao istraživački napor za podršku širem rasponu zadataka putem jednog modela koji može odgovoriti na upute i pitanja. Istraživači kažu da bi to moglo olakšati izgradnju i prilagodbu budućih patoloških alata bez početka od nule za svaku novu primjenu.

Središnja ideja PRISM2 je da patologija nije samo vizualna disciplina. Ona je također i disciplina vođena jezikom.

Za treniranje modela, istraživači su uparili patološke slike s informacijama dobivenim iz patoloških izvješća, stvarajući milijune primjera pitanja i odgovora koji su pomogli povezati vizualne nalaze s dijagnostičkim jezikom. Rezultirajući model može raditi samo sa slikama ili sa slikama i tekstom, omogućujući korisnicima interakciju s njim putem upita, umjesto da se oslanjaju isključivo na softver specifičan za zadatak.

Ovaj pristup razlikuje se od mnogih ranijih patoloških temeljnih modela, koji su se prvenstveno usredotočili na učenje vizualnih reprezentacija iz slika. PRISM2 je od samog početka dizajniran kako bi povezao vizualne obrasce u tkivu s jezikom koji kliničari koriste pri postavljanju dijagnoza.