Les pathologistes humains sont largement formés pour détecter lorsque des échantillons de tissus d#39un patient se retrouvent par erreur sur les lames de microscope d#39un autre affected person (un problème connu sous le nom de contamination des tissus). Mais une telle contamination peut facilement confondre les modèles d’intelligence artificielle (IA), qui sont souvent formés dans des environnements vierges et simulés, rapporte une nouvelle étude de Northwestern Medication.
« Nous entraînons les IA à distinguer « A » de « B » dans un environnement artificiel très propre, mais, dans la vraie vie, l#39IA verra une variété de matériaux sur lesquels elle n#39a pas été entraînée. Lorsqu#39elle le fait, des erreurs peuvent se produire. « , a déclaré l#39auteur correspondant, le Dr Jeffery Goldstein, directeur de la pathologie périnatale et professeur adjoint de pathologie périnatale et d#39autopsie à la Feinberg Faculty of Medication de l#39Université Northwestern.
« Nos résultats nous rappellent que l#39IA qui fonctionne incroyablement bien en laboratoire peut échouer dans le monde réel. Les people doivent continuer à s#39attendre à ce qu#39un expert humain soit le décideur last des diagnostics posés sur les biopsies et autres échantillons de tissus. Pathologistes Nous avons peur – et les sociétés d’IA l’espèrent – que les ordinateurs viennent pour nos emplois. Pas encore. »
Dans la nouvelle étude, les scientifiques ont formé trois modèles d’IA pour scanner des lames de microscope de tissu placentaire afin (1) de détecter les dommages aux vaisseaux sanguins (2) estimer l#39âge gestationnel et (3) classer les lésions macroscopiques. Ils ont formé un quatrième modèle d’IA pour détecter le cancer de la prostate dans les tissus prélevés à partir de biopsies à l’aiguille. Lorsque les modèles étaient prêts, les scientifiques ont exposé chacun d#39entre eux à de petites parts de tissus contaminants (vessie, sang, and many others.) prélevées au hasard sur d#39autres lames. Enfin, ils ont testé les réactions des IA.
Chacun des quatre modèles d#39IA a accordé trop d#39awareness à la contamination des tissus, ce qui a entraîné des erreurs lors du diagnostic ou de la détection des lésions vasculaires, de l#39âge gestationnel, des lésions et du most cancers de la prostate, selon l#39étude.
Les résultats ont été publiés as well as tôt ce mois-ci dans la revue Contemporary Pathology. Il s’agit de la première étude examinant comment la contamination des tissus affecte les modèles d’apprentissage automatique.
« Pour un humain, nous appellerions cela une distraction, comme un objet brillant et brillant »
La contamination des tissus est un problème bien connu des pathologistes, mais elle surprend souvent les chercheurs ou les médecins non pathologistes, souligne l#39étude. Un pathologiste examinant 80 à 100 lames par jour peut s#39attendre à en voir deux à trois contenant des contaminants, mais il a été formé pour les ignorer.
Lorsque les humains examinent des tissus sur des lames, ils ne peuvent regarder qu’un champ limité au microscope, puis passer à un nouveau champ et ainsi de suite. Après avoir examiné l’ensemble de l’échantillon, ils combinent toutes les informations recueillies pour établir un diagnostic. Un modèle d’IA fonctionne de la même manière, mais l’étude a révélé que l’IA était facilement induite en erreur par les contaminants.
« Le modèle d#39IA doit décider à quels éléments il faut prêter awareness et lesquels ne le doivent pas, et c#39est une somme nulle », a déclaré Goldstein. « S#39il prête focus aux contaminants tissulaires, alors il prête moins attention aux tissus du client examiné. Pour un humain, nous appellerions cela une distraction, comme un objet brillant et brillant. »
Les modèles d’IA ont accordé une grande focus aux contaminants, indiquant une incapacité à coder les impuretés biologiques. Les praticiens devraient s’efforcer de quantifier et d’améliorer ce problème, affirment les auteurs de l’étude.
Des scientifiques de l#39IA en pathologie ont étudié différents varieties d#39artefacts d#39impression, tels que le flou, les débris sur la lame, les plis ou les bulles, mais c#39est la première fois qu#39ils examinent la contamination des tissus.
« Convaincu que l#39IA pour le placenta est réalisable »
Les pathologistes périnatals, comme Goldstein, sont incroyablement rares. En fait, il n’y en a que 50 à 100 dans l’ensemble des États-Unis, la plupart situés dans de grands centres universitaires, a déclaré Goldstein. Cela signifie que seulement 5 % des placentas aux États-Unis sont examinés par des industry experts humains. À l’échelle mondiale, ce chiffre est encore in addition faible. L#39intégration de ce style d#39expertise dans les modèles d#39IA peut aider les pathologistes de tout le pays à faire leur travail mieux et additionally rapidement, a déclaré Goldstein.
« Je suis en fait très enthousiasmé par la façon dont nous avons réussi à construire les modèles et par leurs performances avant de les casser délibérément pour l#39étude », a déclaré Goldstein. « Nos résultats me rendent convaincu que les évaluations du placenta par l#39IA sont réalisables. Nous avons rencontré un problème réel, mais atteindre ce ralentisseur signifie que nous sommes sur la bonne voie pour mieux intégrer l#39utilisation de l#39apprentissage automatique en pathologie. »
- L'intelligence artificielle (IA) peut être confuse par la contamination des tissus, ce qui entraîne des erreurs dans les diagnostics et les détections de lésions.
- Les modèles d'IA ont tendance à accorder trop d'attention aux contaminants, ce qui entraîne une diminution de l'attention portée aux tissus du patient examiné.
- Malgré cela, les chercheurs restent convaincus que l'utilisation de l'IA en pathologie est réalisable et pourrait améliorer le travail des pathologistes.
