U svijetu gdje se tehnologija umjetne inteligencije (AI) brzo razvija, njena primjena u medicinskom sektoru otvara brojna pitanja o točnosti i pouzdanosti. Na temelju studije Northwestern Medicine, suočavamo se s jedinstvenim izazovima kada AI koristimo za dijagnostiku na temelju uzoraka tkiva. Glavni problem? Kontaminacija tkiva.

Dr. Jeffery Goldstein, direktor perinatalne patologije na Medicinskom fakultetu Feinberg Sveučilišta Northwestern, ističe kako se AI trenira u kontroliranim, idealiziranim uvjetima, što je daleko od složenosti stvarnih situacija u medicinskim laboratorijima. Ovo odvajanje od stvarnosti može dovesti do značajnih dijagnostičkih pogrešaka.

Zanimljivo je kako ljudski patolozi imaju sposobnost prepoznati kada dođe do kontaminacije tkiva – greške koja može zavarati AI. Ova sposobnost proizlazi iz njihove opsežne obuke i iskustva, nečega što AI, barem zasad, ne može replicirati.

Studija je posebno usmjerila pažnju na tri AI modela obučena da analiziraju tkivo placente i četvrti model usmjeren na otkrivanje raka prostate. Iako su ovi modeli pokazali obećavajuće rezultate u laboratorijskim uvjetima, izloženost kontaminiranom tkivu dovela je do pogrešaka. Primjerice, tkivo mokraćnog mjehura ili krv mogu biti izvori kontaminacije koji zbunjuju AI.

Ova situacija pokreće važnu raspravu o budućnosti dijagnostike. Iako AI nudi nove mogućnosti, čini se da ljudski faktor i dalje ima nezamjenjivu ulogu u procesu donošenja konačnih medicinskih odluka. To ne samo da ukazuje na ograničenja trenutne AI tehnologije, već i na potrebu za njezinim daljnjim razvojem u realnijim i složenijim okruženjima.

Ovaj problem kontaminacije posebno je izazovan za AI modele koji su trenirani da detektiraju specifične patološke stanja. Prema istraživanju, četiri modela umjetne inteligencije pokazala su tendenciju prekomjernog fokusiranja na kontaminirana područja. To je dovelo do značajnih grešaka u dijagnosticiranju stanja kao što su oštećenja krvnih žila, procjene gestacijske dobi, identifikacije makroskopskih lezija i detekcije raka prostate.

Objavljeni nalazi u časopisu Modern Pathology pružaju uvid u ovu problematiku. Ova studija je prva koja se fokusira na utjecaj kontaminacije tkiva na modele strojnog učenja, naglašavajući važnost razumijevanja kako AI interpretira i obrađuje biološke uzorke.

Zanimljiv je način na koji je dr. Goldstein opisao ovu tendenciju AI modela da se fokusira na kontaminante: kao "smetnju" sličnu ljudskoj sklonosti obratiti pozornost na upadljive elemente. Ovaj fenomen, iako dobro poznat patolozima, često iznenađuje one koji nisu upućeni u patološku praksu. Patolozi su obučeni da ignoriraju kontaminaciju, što je vještina koja AI još uvijek nedostaje.

Kad ljudski patolozi pregledavaju tkivo, oni se oslanjaju na iskustvo i sposobnost fokusiranja na relevantne aspekte, dok istovremeno ignoriraju nepotrebne. AI modeli, međutim, nemaju tu vrstu selektivnosti. Studija je pokazala da je AI posebno osjetljiv na kontaminante, čime se potencira potreba za daljnjim razvojem i prilagodbom ovih tehnologija.

Napredak u ovoj oblasti zahtijeva razumijevanje kako se može unaprijediti selektivnost AI modela, kako bi se izbjeglo da kontaminacija utječe na konačne dijagnostičke odluke. Autori studije naglašavaju važnost kvantificiranja ovog problema i rada na poboljšanjima koja će omogućiti AI modelima da se efikasnije nose s realnim medicinskim izazovima.

Dok su prethodna istraživanja u području AI patologije bila usmjerena na različite vrste artefakata na slikama, kao što su zamućenja, ostaci na slajdu, nabori ili mjehurići, ova studija prva je koja se fokusira na problematiku kontaminacije tkiva. Otkriće ove specifične vrste kontaminacije otvara nova vrata u razumijevanju i unapređenju AI tehnologija u patologiji.

Dr. Goldstein, koji je i sam perinatalni patolog, ističe kako je njegova struka iznimno rijetka, s manje od stotinu stručnjaka u Sjedinjenim Američkim Državama. S obzirom na ovu rijetkost, većina placenta u SAD-u, a još više na globalnoj razini, nije pregledana od strane specijaliziranih patologa. Ovo stvara potrebu za integracijom umjetne inteligencije u patološku praksu, čime bi se omogućilo patolozima širom svijeta da rade efikasnije i preciznije.

Goldsteinov entuzijazam prema razvoju AI modela za procjenu placente je očigledan. Iako je studija identificirala probleme, on vjeruje da je AI tehnologija u stanju dostići razinu preciznosti koja bi bila od velike pomoći u patologiji. Njegove riječi naglašavaju vjerovanje da se uz daljnja istraživanja i poboljšanja, može premostiti jaz između AI i stvarnih medicinskih izazova.

Naslov studije, "Kontaminacija tkiva dovodi u pitanje vjerodostojnost modela strojnog učenja u digitalnoj patologiji stvarnog svijeta", jasno ukazuje na izazove s kojima se suočava sektor. Financiranje ove studije dolazi iz više izvora, uključujući Nacionalni institut za biomedicinsko oslikavanje i bioinženjering te Nacionalni centar za napredne translacijske znanosti, oba dio Nacionalnih instituta za zdravlje, kao i druge institucije. Ova podrška naglašava važnost istraživanja u ovom području.

Izvor: Northwestern University