Computer vision · Obrazowanie medyczne
AI, która uczy się i dostosowuje: case study z diagnostyki MRI
Dane z rzeczywistego świata rzadko pozostają takie same: skanery się wymienia, grupy pacjentów się różnią, parametry się zmieniają. Na przykładzie systemu, który wykrywa zmiany padaczkowe w MRI, pokazujemy, jak continual learning utrzymuje niezawodność AI mimo zmieniających się warunków.
Aleksandra Osztynowicz
Najważniejsze w skrócie
- Ogniskowe dysplazje korowe są częstą przyczyną padaczki lekoopornej i bardzo trudno je wykryć w MRI.
- W 2021 roku pierwsza wersja modelu wykrywała 77,8% zmian wobec 33,3% przy ocenie wizualnej, ale jej swoistość była bardzo niska.
- Dzięki continual learning model osiągnął w 2024 roku 90% czułości przy 70% swoistości, czyli lepiej niż model trenowany klasycznie.
- Ta zasada sprawdza się także poza medycyną: wszędzie tam, gdzie dane się zmieniają, systemy, które uczą się dalej, dłużej pozostają niezawodne.
Zmiana bez stałego wzorca
Na świecie z padaczką, jedną z najczęstszych chorób neurologicznych, żyje około 50 milionów osób. Częstą przyczyną napadów są ogniskowe dysplazje korowe (FCD), subtelne wady rozwojowe kory mózgowej, które trudno dostrzec w konwencjonalnych badaniach MRI. Ich obraz jest bardzo zróżnicowany i często zlewa się z otaczającą tkanką. Nawet doświadczonym specjalistom trudno je wiarygodnie wykryć, a potrzebną wiedzę ekspercką ma tylko kilka ośrodków.
FCD przybierają wiele postaci: ich granice są rozmyte, kora może być pogrubiała, pofałdowanie odbiega od typowych wzorców, a na granicy istoty szarej i białej widać subtelne zmiany intensywności sygnału. Nawet dobrze znany objaw transmantle, czyli pionowa zmiana sygnału biegnąca od kory w głąb mózgu, nie występuje u każdego pacjenta. Nie ma więc standardowego wzorca wizualnego.
Jeśli zmiany zostaną wykryte, wielu pacjentów po operacji przestaje mieć napady. Gdy zmiany pozostają niewykryte, możliwości leczenia się zawężają. Wczesne wykrycie ma kluczowe znaczenie i właśnie tu sama ocena wizualna dochodzi do granic swoich możliwości.
Ten przykład ilustruje ogólny problem techniczny. Systemy AI, które dobrze działają w kontrolowanych warunkach, często tracą skuteczność, gdy po wdrożeniu zmienia się rozkład danych. Wnioski z tego projektu dotyczą więc każdej organizacji, która pracuje ze złożonymi, zmiennymi danymi lub danymi wymagającymi wiedzy eksperckiej.
Jak zbudowany jest system
Razem z Hamburskim Centrum Padaczki przy Evangelisches Krankenhaus Alsterdorf i dr. Patrickiem House’em sprawdzaliśmy, jak AI może wspierać specjalistów we wczesnym wykrywaniu FCD. System wskazuje potencjalnie istotne obszary, dzięki czemu eksperci szybciej analizują decydujące szczegóły. Diagnozę nadal stawiają oni.
Dane MRI są wymagające. Jedno badanie obejmuje setki przekrojów z różnych sekwencji: T1 wyraźnie pokazuje anatomię, T2 uwidacznia płyny, a FLAIR tłumi sygnał płynów, dzięki czemu nieprawidłowości stają się lepiej widoczne.
Przed trenowaniem dane są segmentowane, żeby usunąć nieistotne struktury. Mapy morfometryczne oparte na metodzie Huppertza opisują granice i rozległość tkanek i ujawniają cechy niewidoczne w surowych obrazach. Model otrzymuje cztery kanały: T1, FLAIR i dwie mapy morfometryczne.
Model ma architekturę enkoder-dekoder z regularyzacją wariacyjną. Enkoder kompresuje dane obrazowe do abstrakcyjnych cech, a dekoder odtwarza obszary docelowe, stopniowo przywracając szczegóły przestrzenne. Dzięki temu sieć wykrywa krawędzie, kształty i nieregularne tekstury, których specjaliści musieliby inaczej szukać ręcznie.
Pierwsza wersja: wysoka czułość, za dużo fałszywych alarmów
W prospektywnej walidacji klinicznej pierwszej wersji model wykrył 77,8% FCD. Konwencjonalna ocena wizualna wykryła w tym samym teście 33,3%, czyli trzy z dziewięciu zmian. Swoistość wyniosła jednak tylko 5,5%, co oznacza, że model wskazywał wiele zmian, które nie zostały potwierdzone jako FCD. Większość tych fałszywych alarmów wynikała z szumu w obrazach lub z innych patologii. Pokazało to, jak mocno różnice w samych danych wpływają na skuteczność, i stało się punktem wyjścia do kolejnego etapu.
Dlaczego continual learning robi różnicę
Modele statyczne tracą skuteczność, gdy tylko zmienia się ich środowisko danych, a dzieje się tak w niemal każdym rzeczywistym zastosowaniu: skanery się wymienia, grupy pacjentów się różnią, parametry akwizycji się zmieniają. Model, który nie potrafi się dostosować, traci dokładność i wymaga częstego, kosztownego ponownego trenowania. Continual learning (uczenie ciągłe) pozwala modelowi rozwijać się razem z nowymi warunkami bez zapominania tego, czego już się nauczył.
Mózg biologiczny robi to w naturalny sposób: synapsy wzmacniają się pod wpływem istotnych doświadczeń i stabilizują, gdy powstają wspomnienia. Popularne metody czerpią z tych zasad:
| Metoda | Zasada |
|---|---|
| Regularyzacja, np. elastic weight consolidation (EWC) | Chroni parametry, które były szczególnie ważne przy wcześniejszych zadaniach. |
| Replay | Ponownie włącza wcześniejsze przykłady do trenowania, żeby ustabilizować pamięć modelu, podobnie jak mózg utrwala wiedzę podczas snu. |
| Metody oparte na architekturze | Rozbudowują sieć o nowe zadania, zachowując dotychczasowe umiejętności. |
Druga wersja: continual learning w codziennej praktyce klinicznej
Na potrzeby drugiego badania prospektywnie zebrano zbiór 300 badań MRI z codziennej praktyki klinicznej: 30 przypadków FCD, 150 prawidłowych obrazów i 120 przypadków innych patologii. Podzielono go na trzy następujące po sobie podzbiory, które odzwierciedlały rzeczywiste zmiany w danych. Model trenowano dalej w dwóch etapach: raz klasycznie na wszystkich danych, raz z użyciem continual learning.
Wynik prospektywnej walidacji
Najlepszy model, trenowany z użyciem continual learning, osiągnął 90,0% czułości przy 70,0% swoistości i 72,0% dokładności, ze średnio 0,41 fałszywie dodatniego klastra na badanie MRI. Skuteczność rosła z każdym etapem trenowania, a continual learning wypadło lepiej niż klasyczne trenowanie.
Modele adaptacyjne działają więc stabilnie także w rzeczywistych warunkach. System pozostaje niezawodny, gdy zmienia się rozkład danych, i tworzy solidną podstawę do wstępnych badań przesiewowych w procesach klinicznych.
Co to oznacza dla innych branż
Ten przypadek pochodzi z kliniki, ale wnioski inżynierskie dotyczą niemal każdej dziedziny. Środowiska logistyczne się zmieniają, sygnały rynkowe się wahają, a dane z czujników zmieniają się wraz z porami roku lub zużyciem urządzeń. Statyczne algorytmy szybko dochodzą tam do granic możliwości, a systemy zaprojektowane z myślą o ciągłej adaptacji pozostają niezawodne.
Każdy projekt wymaga własnej strategii, architektury i integracji. Analizujemy środowisko danych, wskazujemy odpowiednie zastosowania i projektujemy rozwiązania dopasowane do procesów, infrastruktury i długoterminowej strategii. Więcej naszych projektów medycznych znajdziesz na stronie Ochrona zdrowia i MedTech.
Źródła
- WHO: Padaczka, arkusz informacyjny
- House PM, Kopelyan M, Braniewska N, Silski B, Chudzinska A, Holst B, Sauvigny T, Martens T, Stodieck S, Pelzl S: Automated detection and segmentation of focal cortical dysplasias (FCDs) with artificial intelligence. Epilepsy Research 2021;172:106594. PubMed 33677163
- Chanra V, Chudzinska A, Braniewska N, Silski B, Holst B, Sauvigny T, Stodieck S, Pelzl S, House PM: Development and prospective clinical validation of a convolutional neural network for automated detection and segmentation of focal cortical dysplasias. Epilepsy Research 2024;202:107357. PubMed 38582073
- Huppertz HJ, Grimm C, Fauser S et al.: Enhanced visualization of blurred gray-white matter junctions in focal cortical dysplasia by voxel-based 3D MRI analysis. Epilepsy Research 2005;67(1-2):35-50. PubMed 16171974
AI dla danych, które stale się zmieniają?
Razem z Tobą ustalamy, jak Twoje dane zmieniają się w codziennej pracy, która architektura pozostanie niezawodna i jak może wyglądać pierwszy prototyp na prawdziwych danych.
Zapytaj o analizę procesuNajczęściej zadawane pytania
To wady rozwojowe kory mózgowej i częsta przyczyna padaczki lekoopornej. Trudno je dostrzec w MRI, bo nie mają wyraźnej granicy, a ich obraz jest bardzo zróżnicowany.
To podejście do trenowania, w którym model przyswaja nowe dane, nie zapominając tego, czego nauczył się wcześniej. Popularne metody to regularyzacja, np. elastic weight consolidation, ponowne odtwarzanie wcześniejszych przykładów (replay) i rozbudowa architektury.
W prospektywnej walidacji z 2024 roku model trenowany z użyciem continual learning osiągnął 90% czułości przy 70% swoistości. Pierwsza wersja z 2021 roku wykrywała 77,8% zmian wobec 33,3% przy ocenie wizualnej.
Nie. Wskazuje potencjalnie istotne obszary, dzięki czemu specjaliści szybciej analizują decydujące szczegóły. Diagnozę nadal stawiają lekarze.
Aleksandra od 2021 roku tworzy w theBlue.ai dedykowane rozwiązania AI. Specjalizuje się w systemach agentowych i wdrożeniach lokalnych modeli LLM dopasowanych do potrzeb firm. Jako AI Engineer pomaga organizacjom automatyzować procesy za pomocą systemów gotowych do pracy produkcyjnej: od modeli open source działających on-premise po wewnętrzne bazy wiedzy oparte na RAG dla branż regulowanych. Na bieżąco poszerza swoją wiedzę w szybko zmieniającym się świecie sztucznej inteligencji.
W swoich artykułach dzieli się doświadczeniem z prawdziwych projektów enterprise AI i pokazuje, że wdrożenie AI w firmie nie musi być skomplikowane.