Oodatavast tavapärasest praktikast on tehisintellekti kasutamine vähi tunnuste tuvastamiseks täpsemini kui koolitatud inimprofessionaalid. See tipptasemel AI mudel ulatub peaaegu 100% eduka määrani ning näitab olulisi edusamme vähi diagnoosimises. Rahvusvaheline teadlaste koostöö, kuhu kuuluvad ka Austraalia Charles Darwini Ülikooli (CDU) teadlased, on loonud innovaatilise AI mudeli nimega ECgMPL. See mudel suudab analüüsida mikroskoopilisi pilte rakkudest ja kudedest, et tuvastada emaka limaskesta vähki – üks levinumaid reproduktiivtumore – muljetavaldava täpsusega 99, 26%. Teadlased märkisid ka, et seda saab kohandada paljude erinevate haiguste, sealhulgas käärsoole- ja suuõõnevähkide tuvastamiseks. „ECgMLP mudel ületab olemasolevaid meetodeid, saavutades täpsuse 99, 26 protsenti, ületades uurimises analüüsi all olnud üleviimismudelite ja kohandatud mudelite tulemusi ning säilitades samal ajal arvutuslikku efektiivsust, “ ütles dr. Asif Karim, CDU kaasautor. „Ablatsiooniuuringute, enese-tähelepanu mehhanismide ja tõhusa koolituse kaudu optimeeritud ECgMLP näitab tugevat üldistust erinevates histopatoloogia andmestikes, muutes selle usaldusväärseks ja kliiniliselt rakendatavaks tööriistaks emaka limaskesta vähi diagnoosimiseks. “ Lihtsamalt öeldes, see hästi väljakujunenud mudel suudab analüüsida mikroskoopilisi skaneerimisi – tuntud kui histopatoloogilised pildid – ja parandada nende kvaliteeti, et avastada varajasi vähiastmeid. See keskendub skaneeringute konkreetsetele piirkondadele, et tuvastada probleemsed kasvud, mis võivad inimsilma jaoks nähtamatud olla.

Praegused inimjuhitud diagnoosid annavad täpsuse määrad vahemikus umbes 78, 91% kuni 80, 93%. Kuigi emaka limaskesta vähk on ravitav ja varase avastamise korral pakub see soodsaid viieaastaseid elulemismäärasid, halveneb selle prognoos oluliselt, kui see levib emakast kaugemale, rõhutades õigeaegse diagnoosi tähtsust elude päästmisel. Praegu elab Ameerikas üle 600 000 inimese, kes kannatavad selle haiguse all. Kuigi see ei pruugi otseselt mõjutada poole elanikkonna, rõhutavad teadlased, et ECgMLP võimed ulatuvad palju kaugemale sellest, milleks see on spetsiaalselt treenitud. „Sama metoodika võib kiirendada teiste haiguste varajast avastamist ja diagnoosimist, parandades lõpuks patsientide tulemusi, “ märkis kaasautor Niusha Shafiabady, ACU dotsent. „Hindasime mudelit erinevates histopatoloogia pildistamise andmestikes, saavutades 98, 57% täpsuse käärsoolevähki diagnoosimisel, 98, 20% rinnavähki ja 97, 34% suuõõnevähki. “ See AI tööriist ei ole mõeldud meditsiinitöötajate asendamiseks, vaid pigem on see mõeldud vähi spetsialistide toetamiseks haiguse täpse tuvastamise ja raviefektiivsuse jälgimise osas. Veelgi enam, see mudel pakub palju kiirem, kergemini ligipääsetav ja kulutõhusam viis vähkide diagnoosimiseks. „Selle uurimuse raames välja töötatud põhjalik AI mudel võiks olla tarkvarasüsteemi tuum, mis on mõeldud arstidele vähidiagnooside tegemise otsuste abistamiseks, “ lisas Shafiabady. „Emaka limaskesta vähi õigeaegne ja täpne tuvastamine on tõhusa ravi ja haldamise jaoks oluline, “ rõhutasid teadlased. „Emaka limaskesta vähi klassifitseerimist histopatoloogiliste piltide kaudu on tõhusalt tehtud suurenenud jõudluse, ülivõimsa täpsuse ja parandatud töötlemisaja abil, kasutades süvaõppimise algoritme. “ Uuring avaldati ajakirjas Computer Methods and Programs in Biomedicine Update.