Sztuczna inteligencja wykrywa i klasyfikuje guzy mózgu na obrazach MRI

Naukowcy opracowali dwuetapowy system oparty na sztucznej inteligencji, który najpierw rozpoznaje obecność guza mózgu w obrazie rezonansu magnetycznego, a następnie klasyfikuje wykrytą zmianę jako glejaka, oponiaka lub guz przysadki. Połączenie konwolucyjnych sieci neuronowych, sieci LSTM i mechanizmu uwagi pozwoliło uzyskać wysoką dokładność analizy przy czasie przetwarzania pojedynczego obrazu liczonym w milisekundach.

W artykule:

• Na czym polega dwuetapowa diagnostyka obrazów MRI
• Jakie modele sztucznej inteligencji porównali naukowcy
• Dlaczego mechanizm uwagi poprawiał klasyfikację guzów
• Jakie wyniki uzyskano dla 7023 obrazów rezonansu magnetycznego
• Czy system może działać w czasie zbliżonym do rzeczywistego
• Jakie ograniczenia utrudniają obecnie zastosowanie kliniczne

Dwuetapowa analiza obrazów rezonansu magnetycznego mózgu

Naukowcy opracowali nową metodę wykorzystującą sztuczną inteligencję do wykrywania i klasyfikowania guzów mózgu na podstawie obrazów rezonansu magnetycznego. Według autorów rozwiązanie osiągało lepsze wyniki niż konwencjonalne systemy diagnostyczne oparte wyłącznie na standardowych konwolucyjnych sieciach neuronowych.

Wyniki badania opublikowano na łamach czasopisma Healthcare Analytics. Pracami kierowali naukowcy z University of Sharjah. Zaprojektowany przez nich system odtwarzał dwuetapowy proces zbliżony do praktycznego schematu oceny badań obrazowych.

W pierwszym etapie model analizował obraz rezonansu magnetycznego i ustalał, czy widoczna jest na nim zmiana nowotworowa. Było to zadanie klasyfikacji binarnej, obejmujące rozróżnienie obrazów przedstawiających guz od obrazów bez guza.

Jeżeli system wykrył zmianę, uruchamiany był drugi etap analizy. W jego ramach obraz klasyfikowano do jednej z trzech kategorii:

• glejak,
• oponiak,
• guz przysadki mózgowej.

Taka konstrukcja systemu miała odpowiadać rzeczywistemu przebiegowi diagnostyki, w którym najpierw stwierdza się obecność nieprawidłowości, a dopiero później podejmuje próbę określenia jej charakteru.

Porównanie różnych modeli głębokiego uczenia

Badacze nie ograniczyli się do oceny jednego algorytmu. Ich celem było porównanie kilku rodzin modeli głębokiego uczenia w tych samych warunkach przetwarzania danych i przy zastosowaniu jednakowej konfiguracji zadania diagnostycznego.

Analizowane rozwiązania różniły się sposobem wydobywania cech przestrzennych, modelowania zależności pomiędzy cechami oraz uwzględniania globalnego kontekstu obrazu. Porównywano między innymi klasyczne konwolucyjne sieci neuronowe, modele łączące sieci CNN z Long Short-Term Memory oraz architektury wyposażone w mechanizm uwagi.

Konwolucyjne sieci neuronowe, określane skrótem CNN, są powszechnie stosowane w analizie obrazów medycznych. Uczą się rozpoznawać lokalne wzorce, takie jak krawędzie, tekstury, różnice intensywności sygnału oraz układy struktur mogące wskazywać na obecność patologii.

Sieci Long Short-Term Memory, czyli LSTM, zostały pierwotnie zaprojektowane do analizy danych sekwencyjnych. W badanym systemie ich zastosowanie miało umożliwiać bardziej złożone modelowanie relacji pomiędzy cechami wyodrębnionymi z obrazu przez warstwy konwolucyjne.

Autorzy podkreślili, że wydajność modeli stopniowo poprawiała się podczas przechodzenia od standardowych sieci CNN do modeli CNN-LSTM, a następnie do architektur dodatkowo wyposażonych w mechanizm uwagi.

Mechanizm uwagi zwiększał dokładność klasyfikacji

Mechanizm uwagi pozwala modelowi przypisywać większe znaczenie tym obszarom lub cechom obrazu, które są najbardziej istotne dla podjęcia decyzji diagnostycznej. Zamiast traktować wszystkie informacje z jednakową wagą, algorytm koncentruje się na wzorcach, które mogą najlepiej odróżniać poszczególne typy guzów.

Według badaczy mechanizmy uwagi poprawiały reprezentację cech i dokładność klasyfikacji w obu etapach systemu. Umożliwiały wychwytywanie bardziej informacyjnych, globalnych wzorców obecnych w obrazach rezonansu magnetycznego.

W zadaniu wieloklasowym, polegającym na rozróżnianiu glejaków, oponiaków i guzów przysadki, szczególnie skuteczna okazała się architektura CNN-LSTM rozszerzona o mechanizm uwagi.

Natomiast w pierwszym, binarnym etapie analizy, w którym system rozróżniał obrazy z guzem i bez guza, najlepsze wyniki uzyskał model Vision Transformer.

Modele Vision Transformer analizują obraz w sposób odmienny od klasycznych sieci konwolucyjnych. Dzielą go na mniejsze fragmenty i wykorzystują mechanizm uwagi do oceny zależności pomiędzy obszarami znajdującymi się nawet w znacznej odległości od siebie. Może to ułatwiać rozpoznawanie rozległych lub niejednorodnych zmian, których cechy nie ograniczają się do niewielkiego fragmentu obrazu.

Analiza ponad 7000 obrazów MRI

Wnioski autorów oparto na analizie 7023 obrazów rezonansu magnetycznego mózgu. Zbiór obejmował obrazy przedstawiające trzy kategorie guzów oraz badania osób bez zmian nowotworowych.

Aby umożliwić wiarygodne porównanie modeli, wszystkie obrazy poddano jednolitemu procesowi przygotowania. Zastosowano między innymi:

• zmianę rozmiaru obrazów do ustalonej rozdzielczości wejściowej,
• normalizację intensywności sygnału,
• wyrównanie kontrastu,
• standaryzację sposobu przekazywania danych do poszczególnych modeli.

Procedury te miały ograniczyć różnice wynikające z pochodzenia obrazów z odmiennych zbiorów danych, sposobu ich zapisu lub parametrów technicznych. Dzięki temu wyniki poszczególnych architektur można było porównywać w bardziej ujednoliconych warunkach.

Autorzy zaznaczyli, że wszystkie eksperymenty przeprowadzono zgodnie z jasno zdefiniowanym protokołem oceny na poziomie pojedynczego obrazu. Oznacza to, że jednostką analizowaną przez system był obraz MRI, a nie pełna dokumentacja konkretnego pacjenta.

System działał w czasie liczonym w milisekundach

Oprócz dokładności klasyfikacji badacze ocenili także wydajność obliczeniową systemu. Jest to istotne z punktu widzenia potencjalnego zastosowania klinicznego, ponieważ narzędzie wspomagające diagnostykę powinno analizować badania bez powodowania istotnych opóźnień w pracy radiologa.

Średni czas wnioskowania wynosił:

• 21,6 milisekundy dla klasyfikacji binarnej,
• 17,6 milisekundy dla klasyfikacji wieloklasowej.

Oznacza to, że przetwarzanie pojedynczego obrazu zajmowało jedynie ułamek sekundy. Zdaniem autorów takie parametry wskazują na możliwość wykorzystania systemu w zastosowaniach działających w czasie zbliżonym do rzeczywistego.

Sama szybkość analizy nie oznacza jednak, że rozwiązanie jest gotowe do wdrożenia w szpitalach. Przed zastosowaniem klinicznym konieczna będzie ocena jego działania w różnych środowiskach, na obrazach pochodzących z odmiennych aparatów MRI oraz w populacjach nieuwzględnionych w obecnym badaniu.

Potencjalne znaczenie dla wczesnego rozpoznawania guzów

Wczesne wykrycie guza mózgu może mieć istotne znaczenie dla planowania dalszej diagnostyki, leczenia chirurgicznego, radioterapii lub terapii systemowej. Narzędzia oparte na sztucznej inteligencji mogłyby w przyszłości wspierać radiologów w identyfikowaniu podejrzanych zmian, segregowaniu badań według pilności oraz wskazywaniu obrazów wymagających szczególnie dokładnej oceny.

Połączenie wysokiej skuteczności modelu CNN-LSTM z mechanizmem uwagi w klasyfikacji wieloklasowej oraz wysokiej dokładności Vision Transformer w klasyfikacji binarnej wskazuje, że różne architektury mogą pełnić odmienne, uzupełniające się funkcje.

Vision Transformer może być szczególnie użyteczny na początkowym etapie przesiewowym, gdy najważniejsze jest rozróżnienie obrazów prawidłowych od obrazów zawierających podejrzaną zmianę. Model CNN-LSTM z mechanizmem uwagi może następnie wspierać bardziej szczegółową klasyfikację wykrytego guza.

Autorzy zaznaczają jednak, że system powinien być traktowany jako potencjalne narzędzie wspomagające, a nie zastępujące lekarza. Klasyfikacja obrazu MRI nie jest równoznaczna z ustaleniem ostatecznego rozpoznania histopatologicznego. W praktyce klinicznej interpretacja badania obrazowego wymaga uwzględnienia lokalizacji zmiany, jej morfologii, sekwencji rezonansu, danych klinicznych pacjenta oraz wyników innych badań.

Ograniczenia badania

Pomimo obiecujących rezultatów badanie miało kilka istotnych ograniczeń. Modele trenowano i oceniano z wykorzystaniem publicznie dostępnych zbiorów obrazów MRI. Takie dane mogą nie odzwierciedlać pełnego zróżnicowania pacjentów, szpitali, protokołów badania i urządzeń stosowanych w codziennej praktyce klinicznej.

Autorzy zwrócili również uwagę, że pełne identyfikatory pacjentów nie były konsekwentnie dostępne we wszystkich źródłowych zbiorach danych. Z tego powodu nie można było zagwarantować ścisłego rozdzielenia danych na poziomie pacjentów.

Jest to ważne ograniczenie metodologiczne. Jeżeli różne obrazy pochodzące od tego samego pacjenta znalazłyby się zarówno w zbiorze treningowym, jak i testowym, model mógłby pośrednio rozpoznawać cechy charakterystyczne dla konkretnego badania lub osoby. Mogłoby to prowadzić do zawyżenia ocenianej skuteczności.

Badacze stosowali techniki zwiększające zróżnicowanie obrazów treningowych i poprawiające działanie modeli na wcześniej niewidzianych przykładach. Nie zastępuje to jednak walidacji przeprowadzonej na całkowicie niezależnych, prospektywnie zgromadzonych danych klinicznych.

Nie wiadomo również, jak system zachowa się w przypadku obrazów o niskiej rozdzielczości, nietypowych protokołów badania, artefaktów ruchowych, zmian pooperacyjnych, martwicy, krwawienia, zmian zapalnych lub guzów należących do innych kategorii niż trzy uwzględnione w badaniu.

Potrzebna jest walidacja w rzeczywistych warunkach klinicznych

Przed wdrożeniem systemu do rutynowej praktyki konieczne będzie przeprowadzenie badań na większych i bardziej zróżnicowanych zbiorach danych klinicznych. Walidacja powinna obejmować obrazy pochodzące z wielu ośrodków, różnych urządzeń MRI, odmiennych protokołów obrazowania oraz populacji o zróżnicowanych cechach demograficznych i klinicznych.

Przyszłe badania powinny również ocenić, czy zastosowanie modelu rzeczywiście poprawia wyniki pracy lekarzy. Istotne będzie sprawdzenie, czy system zwiększa czułość wykrywania guzów, zmniejsza liczbę przeoczonych zmian, skraca czas opisu badania albo poprawia zgodność diagnostyczną pomiędzy radiologami.

Autorzy zaproponowali także włączenie narzędzi zwiększających interpretowalność modeli. Mogłyby one wskazywać fragmenty obrazu mające największy wpływ na decyzję algorytmu lub przedstawiać wizualizacje zmian uznanych za podejrzane.

Takie rozwiązania mogą pomóc lekarzowi ocenić, czy model koncentruje się na rzeczywistym obszarze guza, czy też wykorzystuje przypadkowe cechy obrazu niezwiązane z patologią. Lepsza interpretowalność może również zwiększyć zaufanie klinicystów do systemów sztucznej inteligencji.

Wnioski

Badanie przedstawia kompleksowe porównanie kilku architektur głębokiego uczenia przeznaczonych do wykrywania i klasyfikowania guzów mózgu w obrazach rezonansu magnetycznego. Najwyższą skuteczność w rozróżnianiu obrazów z guzem i bez guza uzyskał Vision Transformer, natomiast w klasyfikacji glejaków, oponiaków i guzów przysadki szczególnie dobrze działał model CNN-LSTM wyposażony w mechanizm uwagi.

Dwuetapowy schemat może w przyszłości wspierać szybkie wykrywanie podejrzanych zmian oraz ich wstępną klasyfikację. Krótki czas analizy, wynoszący kilkanaście–kilkadziesiąt milisekund na obraz, wskazuje na techniczną możliwość działania systemu w czasie zbliżonym do rzeczywistego.

Przed zastosowaniem klinicznym niezbędna jest jednak niezależna walidacja na danych pochodzących z rzeczywistych populacji pacjentów. Szczególnego znaczenia nabiera ocena skuteczności na poziomie pacjenta, odporności na różnice pomiędzy ośrodkami i aparatami oraz wpływu systemu na rzeczywiste decyzje diagnostyczne lekarzy.

Źródło: Healthcare Analytics, An advanced deep learning approach for medical image analytics in brain tumor diagnosis.
DOI: https://doi.org/10.1016/j.health.2026.100456