Штучний інтелект діагностує рак мозку з точністю 98%

Тобі Тітус Оєканмі, науковець з Університету Нью-Мексико Хайлендс, представив модель глибинного навчання, яка може змінити підхід до діагностики раку мозку, особливо в регіонах з обмеженими ресурсами. Його дослідження демонструє систему LightBT-CNN, що досягла 98 відсотків точності діагностики на МРТ-знімках мозку.

Дослідження під назвою «Діагностика раку мозку на основі глибинного навчання з використанням згорткових нейронних мереж на МРТ-знімках: порівняльне дослідження архітектур моделей та точності класифікації пухлин» опубліковане в American Academic Scientific Research Journal for Engineering, Technology, and Sciences. Робота виводить Оєканмі на передній край галузі пояснювального штучного інтелекту для медичної візуалізації.

Рак мозку залишається однією з найсмертоносніших форм онкологічних захворювань у світі. Діагностика часто залежить від ручної інтерпретації МРТ-знімків, що є процесом трудомістким і схильним до помилок. «Штучний інтелект може допомогти вирівняти умови гри. Метою було створити легку, але потужну нейронну мережу, яка може аналізувати МРТ-знімки мозку з точністю, порівнянною з експертами-радіологами, але без потреби в дорогій інфраструктурі», пояснив Оєканмі.

Для досягнення цієї мети дослідник очолив міждисциплінарну команду, до якої увійшли Пітер Адігун, Нельсон Азіз та Айодеджі Аденійі. Вони розробили LightBT-CNN, згорткову нейронну мережу, призначену для класифікації чотирьох типів пухлин: гліоми, менінгіоми, пітуїтарної пухлини та здорових знімків мозку. Система використовує понад 7000 МРТ-зображень.

На відміну від масивних архітектур глибинного навчання, таких як VGG16 або ResNet50, які потребують потужних графічних процесорів, LightBT-CNN Оєканмі використовує лише 3,6 мільйона параметрів для навчання. Це робить систему компактною, економічно ефективною та ідеальною для лікарень у країнах, що розвиваються.

Модель створена на Python та TensorFlow і досягла виняткових показників точності та повноти понад 95 відсотків у всіх класах пухлин. Те, що відрізняє її від інших, це можливість інтерпретації. Через метод градієнтно-зваженого картування активації класів система візуально виділяє ділянки мозку, які впливають на її прогнози, надаючи лікарям прозорі уявлення про кожен діагноз.

«Довіра — це все в медицині. Якщо штучний інтелект може показати, чому він прийняв рішення, клініцисти з більшою ймовірністю прийматимуть його», зазначив Оєканмі.

Хоча дослідник базується в Сполучених Штатах, він залишається тісно пов'язаним з нігерійськими науковими мережами, співпрацюючи з фізиком Нельсоном Абімболою Азізом з Університету Абуджі. Разом вони прагнуть застосувати експертизу штучного інтелекту до діагностичних викликів по всій Африці, від пухлин мозку до виявлення пневмонії.

«Це не лише про публікацію статей. Це про створення практичних інструментів, які покращують результати лікування пацієнтів та розбудовують місцевий потенціал у медичному штучному інтелекті», наголосив Оєканмі. Його попередня співпраця з Адігуном та Аденійі над інтерпретацією рентгенівських знімків на основі штучного інтелекту для виявлення пневмонії проклала шлях для цього більшого проєкту з раку мозку, підкреслюючи стійку відданість використанню штучного інтелекту для суспільного блага.

На початку цього року Оєканмі отримав нагороду NIPES 2025 за видатний внесок у дослідження та інновації, яку вручив Національний інститут професійних інженерів та науковців. Обраний з понад 1200 номінацій з чотирьох країн, його робота була визнана за оригінальність, вимірюваний вплив та відповідність світовим дослідницьким стандартам. Оголошене напередодні Міжнародної конференції NIPES 2025 в Університеті Беніна, це визнання ще більше зміцнило репутацію Оєканмі як одного з найперспективніших голосів Нігерії в науковому дослідженні на основі штучного інтелекту.

«Визнання від NIPES багато для мене значить. Воно нагадує мені, що впливові дослідження — це не лише про алгоритми, це про покращення життя», сказав він.

Експерти високо оцінили роботу Оєканмі за поєднання академічної строгості з реальною актуальністю. Дослідження порівнює продуктивність LightBT-CNN з глобальними еталонами, такими як ResNet та EfficientNet, демонструючи майже однакову точність, але з набагато нижчими обчислювальними вимогами. Це критична перевага для систем охорони здоров'я з обмеженою цифровою інфраструктурою.

«Штучний інтелект не повинен бути складним, щоб бути ефективним. Іноді простота та ефективність мають більше значення, ніж грубі обчислення», додав Оєканмі.

Незважаючи на успіх, він визнав обмеження, зазначивши, що набір даних представляє контрольовані умови МРТ, а не варіативність реальних лікарняних умов.

У перспективі Оєканмі планує працювати з клінічними партнерами для перевірки системи на реальних даних пацієнтів та досліджувати мультимодальну візуалізацію, яка інтегрує МРТ з КТ та ПЕТ-сканами. Він також виступає за міжінституційні програми навчання штучного інтелекту в нігерійських університетах, щоб озброїти наступне покоління науковців практичним досвідом у медичному машинному навчанні.

«Ця робота нагадує нам, що інновації не обмежуються великими технологічними компаніями. З правильним баченням, співпрацею та співчуттям штучний інтелект може стати інструментом справедливості, допомагаючи кожному пацієнту, всюди, отримати догляд, на який він заслуговує», підсумував дослідник.