Kunstig intelligens giver større præcision til operationer

Operationer baseret på en MR- eller CT-scanning bliver vanskeligere af, at folk aldrig kan ligge helt stille. Doktorand Koen Eppenhof har vist, at en algoritme baseret på deep learning kan bruges til at korrigere for de uundgåelige bevægelser.

For at administrere stråling eller at operere så nøjagtigt som muligt, det område, der skal behandles, tegnes først på en scanning (MRI eller CT) af lægen. Dette område - stedet for en tumor, for eksempel – lokaliseres derefter på operationsbordet ved hjælp af en ny scanning. Dette er ikke nogen simpel sag:Patientens position er aldrig helt den samme i de to scanninger – og så er der den uundgåelige bevægelse og deformation af organerne på grund af vejrtrækningen. Et helt speciale, medicinsk billedregistrering, er opstået for at håndtere disse vanskeligheder, og dette udgør et aspekt af arbejdet i den medicinske billedanalysegruppe på Institut for Biomedicinsk Teknik.

Ifølge ph.d. kandidat Koen Eppenhof ved Medical Image Analysis, læger har allerede smart software, der gør dem i stand til at matche personen i scanneren med det billede, der er lavet og omhyggeligt analyseret på et tidligere tidspunkt. "Imidlertid, det tager en computer nogle minutter at køre beregningen, mens du ideelt set gerne vil være i stand til at matche de to scanninger i realtid."

Da Eppenhof startede sit ph.d.-studium for lidt under fem år siden, princippet om dyb læring rejste bare hovedet; dette er en form for kunstig intelligens, der er i stand til at udføre denne opgave meget hurtigere. Ifølge ph.d.-kandidaten, denne teknologi ser ud til at have opfyldt sit løfte. "I første omgang, ved konferencer var jeg en af ​​de få mennesker, der arbejdede med deep learning, hvorimod næsten alle inden for medicinsk billedanalyse nu bruger det."

Gaming computer

Udfordringen ligger i at koble hver pixel i det originale billede med den tilsvarende pixel i den nye scanning, Eppenhof forklarer. At gøre dette, han 'trænede' det, der kaldes et dybt neuralt netværk, som kører på grafikprocessorenheder (GPU'er) - sammenlignelig med processorerne i gaming-computere. "Vores gruppe opbevarer en klynge af disse GPU'er i et afkølet rum på High Tech Campus, og vi kan logge ind på dem."

Denne form for neurale netværk af GPU'er lærer sig selv, som det var, hvordan man udfører sin opgave ved at henvise til tusindvis af eksempler. Men der er mangel på træningsmateriale. Tag problemet med lungebilleder:Der er simpelthen for få sæt 'registrerede' billeder af lunger i forskellige stadier af ind- og udånding. Så Eppenhof besluttede at manipulere et eksisterende billede på utallige forskellige måder og bruge dette til at fodre det neurale netværk. "Næste, Jeg satte det trænede netværk løs på et sæt på et par dusin rigtige CT-scanninger, registreret af flere eksperter baseret på hundredvis af anerkendte anatomiske vartegn, såsom steder, hvor blodkar deler sig eller krydser."

Prostatakræft

Det viste sig, at Eppenhofs trænede netværk klarede sig næsten lige så godt som de enkelte eksperter. "Så dette viser, at du kan træne dybe neurale netværk ved at bruge simulerede data frem for rigtige medicinske billeder. Det fungerer faktisk fantastisk godt, og jeg tror, ​​det er det vigtigste resultat af min forskning." Hans neurale netværk viste sig også at være i stand til at analysere billederne på mindre end et sekund - ingen ringe forbedring i forhold til de minutter, der i øjeblikket kræves af de beregningsmetoder, der bruges på hospitaler.

Dette gør hans arbejde af interesse for UMC Utrecht, hvor prostatakræftpatienter i dag får stråling i en MR-scanner. Dette hjælper læger med at fastslå den nøjagtige placering af prostata umiddelbart før behandlingen gives. "Faktisk, prostata bevæger sig også langsomt under stråling; den skubbes til side, mens blæren fyldes med urin. I princippet er min metode hurtig nok til at spore denne bevægelse."

Hvorvidt hans version af dyb læring vil finde vej til hospitaler inden længe, ​​kan diskuteres. Dette skyldes, at det stadig er uklart, hvordan præcist dette neurale netværk fungerer - et problem, som mange AI-applikationer kæmper med. Det er en sort boks, og det hæmmer dens vurdering af de myndigheder, der er ansvarlige for sikkerhed, Eppenhof forklarer. "Under alle omstændigheder, teknikker af denne art vil aldrig få lov til at fungere helt automatisk. Der skal altid være en person, der kigger for at sikre, at computeren ikke fejler det hele."