Kërkim shkencor në fushën e inteligjencës artificiale të besueshme në mjekësi

Zbulimi i kancerit të gjirit nuk është një problem me një përmasë të vetme është thelbësisht shumëdimensional. Mbi vendimin nëse një mamografi fsheh apo jo një malinjitet (kancer) ndikojnë dhjetëra faktorë: mosha, historiku familjar, statusi hormonal, morfologjia e indit, cilësia e imazhit, e shumë të tjerë. Por nga kjo hapësirë e ndërlikuar faktorësh, dy drejtime dalin si më kritiket.
Drejtimi i parë është probabiliteti që kanceri të jetë i pranishëm  sa e lartë është gjasa, për një pacient të dhënë, që sëmundja ekziston.  Drejtimi i dytë është vështirësia për ta identifikuar atë  sa e errët është mamografia ndaj syrit të radiologut, sa lehtë mund të fshihet një tumor brenda indit përreth.
Po të ishin këto dy drejtime të pavarura, secili rast do të binte diku në planin që ato përcaktojnë, dhe vetëm një pjesë e vogël do të ndodhej në cepin e rrezikshëm ku të dyja janë njëkohësisht të larta. Por ato nuk janë të pavarura. Ekziston një faktor i vetëm që i shtrëngon të dyja boshtet njëherësh, duke i shtyrë rastet pikërisht përgjatë asaj diagonaleje 45◦ ku rreziku dhe verbëria diagnostike përkojnë: dendësia e gjirit.
Indi i dendur fibroglandular njëkohësisht rrit gjasën që pacientja të zhvillojë kancer dendësia e lartë është një faktor i pavarur rreziku, me një rritje nga një- deri në gjashtëfishe krahasuar me gjinjtë kryesisht yndyrorë dhe ul ndjeshmërinë e mamografisë, sepse indi i dendur shfaqet i ndritshëm po aq sa shumë tumore, duke i maskuar ato. Pra dendësia nuk është thjesht një nga shumë faktorë: është nyja ku takohen të dy drejtimet më kritike të problemit. Një rast me dendësi të lartë është, në të njëjtën kohë, një rast me probabilitet të lartë kanceri dhe një rast i vështirë për t’u klasifikuar pikërisht kombinimi që një sistem skriningu nuk mund ta lërë pas dore.

Për këtë arsye, ne e konsiderojmë përcaktimin e dendësisë së gjirit si një nga hapat themelorë në zbulimin e kancerit. Vlerësimi i tij i saktë dhe i riprodhueshëm nuk është një detaj teknik dytësor; është kushti paraprak për të ditur se ku ndodhet një pacient përgjatë asaj diagonaleje  dhe rrjedhimisht, sa agresiv duhet të jetë vëzhgimi, a nevojitet imazheri plotësuese (ultratingull, MRI), dhe sa peshë duhet t’i jepet një mamografie “të pastër.

Si matet dendësia sot dhe pse kjo është problem

Në praktikën klinike, radiologu e fut çdo gji në një nga katër kategoritë BI-RADS: A, B, C ose D. Por ky gjykim mbetet subjektiv, me ndryshueshmëri të ndjeshme nga një radiolog te tjetri dhe madje te i njëjti radiolog në kohë të ndryshme. Pikërisht këtu hyjnë sistemet automatike. Problemi është se pothuajse të gjitha këto sisteme sot janë rrjeta neuronale konvolucionale (CNN) me qindra mijëra deri në miliona parametra. Janë të fuqishme, por janë gjithashtu “kuti të zeza”: nuk e dimë mbi cilat tipare e marrin vendimin, e për rrjedhojë janë të vështira për t’u shpjeguar, riprodhuar dhe testuar — pikërisht tri kushtet që kërkohen për një inteligjencë artificiale të besueshme në shëndetësi.

Punimi ynë, i publikuar në Journal of Clinical Oncology Q1, bën një pyetje të thjeshtë por provokuese: a janë CNN-të e vetmja rrugë?

Si funksionon?

Përgjigja jonë nis nga vetë përkufizimet cilësore të BI-RADS dhe i përkthen ato në një grup të vogël treguesish sasiorë. Indi yndyror duket i errët në mamografi, kurse indi i dendur fibroglandular duket i ndritshëm. Kjo ide e thjeshtë na lejoi të ndërtonim katër tregues të shpjegueshëm:

• Treguesi M1 — bimodaliteti i histogramit të intensiteteve të pikselëve. Për këtë na u desh të përkufizonim një metrikë krejt të re bimodaliteti që nuk bën asnjë supozim mbi formën e shpërndarjes. Vetëm ky tregues i ndan me saktësi të lartë gjinjtë A–B nga C–D. Nga ai dolën edhe katër brezat e ndriçimit: shumë i errët, i errët, i ndritshëm dhe shumë i ndritshëm.
• Treguesit M2, M3, M4 — “heterogjeniteti” që përmend BI-RADS për kategorinë C u përkthye në entropi Shannon të llogaritur brenda këtyre brezave të ndriçimit. Tre tregues shtesë lindën, secili i lidhur fort me nënbashkësi të ndryshme të kategorive.

Katër treguesit u futën në një klasifikues “deep learning” jashtëzakonisht të vogël: katër qeliza hyrëse (një për tregues), një shtresë e vetme e fshehur me 16 qeliza, dhe dalje sipas detyrës. Gjithsej vetëm 256 parametra për parashikimin A/B/C/D — kundrejt miliona parametrave të një CNN-je.

Pse ka rëndësi?

Sepse rrjeti nuk “zbulon” tipare të fshehura nga imazhet bruto, si te CNN-të. Tiparet i zgjodhëm ne, dhe rrjedhin drejtpërdrejt nga përkufizimet e radiologëve. Pasoja: trajnimi është shumë i shpejtë, vlerësimi i qëndrueshmërisë me kros-validim merr vetëm pak minuta, dhe çdo vendim mund të rrëfehet hap pas hapi. Kjo do të thotë shpjegueshmëri dhe riprodhueshmëri  jo premtime, por veti të ndërtuara në vetë dizajnin.

Dhe gjithçka pa rënë në performancë. Mbi 7 622 imazhe nga baza publike VinDr-Mammo:

• A–B kundrejt C–D: saktësi 94.25%, F1 93.86%, AUC 94.82%
•  A/B/C/D (katër kategoritë): saktësi 83.18%, F1 81.40%, AUC 89.57%

Këto janë në nivelin e dizajneve më të mira CNN — mbi një bazë të dhënash dukshëm më të madhe se shumica