Una rete neurale viene inizialmente addestrata con molti set di dati per poter distinguere le immagini dei tessuti contenenti tumore da quelle non tumorali (input dall'alto nel diagramma). Viene quindi presentata una nuova immagine del tessuto da un esperimento (input da sinistra). Attraverso il ragionamento induttivo, la rete neurale genera la classificazione "contenente il tumore" o "esente da tumore" per la rispettiva immagine. Allo stesso tempo, crea una mappa di attivazione dell'immagine del tessuto. La mappa di attivazione è emersa dal processo di apprendimento induttivo ed è inizialmente estranea alla realtà. La correlazione è stabilita dall'ipotesi falsificabile che le aree ad alta attivazione corrispondano esattamente alle regioni tumorali presenti nel campione. Questa ipotesi può essere verificata con ulteriori esperimenti. Ciò significa che l'approccio segue la logica deduttiva. Credito:PRODI
L'intelligenza artificiale (AI) può essere addestrata a riconoscere se un'immagine di tessuto contiene un tumore. Tuttavia, come prende esattamente la sua decisione è rimasto un mistero fino ad ora. Un team del Centro di ricerca per la diagnostica proteica (PRODI) della Ruhr-Universität Bochum sta sviluppando un nuovo approccio che renderà la decisione di un'IA trasparente e quindi affidabile. I ricercatori guidati dal professor Axel Mosig descrivono l'approccio nella rivista Medical Image Analysis .
Per lo studio, lo scienziato di bioinformatica Axel Mosig ha collaborato con il professor Andrea Tannapfel, capo dell'Istituto di patologia, l'oncologo professor Anke Reinacher-Schick dell'ospedale St. Josef della Ruhr-Universität e il biofisico e direttore fondatore di PRODI il professor Klaus Gerwert. Il gruppo ha sviluppato una rete neurale, ovvero un'IA, in grado di classificare se un campione di tessuto contiene o meno un tumore. A tal fine, hanno fornito all'IA un gran numero di immagini microscopiche di tessuti, alcune delle quali contenevano tumori, mentre altre erano esenti da tumore.
"Le reti neurali sono inizialmente una scatola nera:non è chiaro quali caratteristiche di identificazione una rete apprenda dai dati di addestramento", spiega Axel Mosig. A differenza degli esperti umani, non hanno la capacità di spiegare le loro decisioni. "Tuttavia, per le applicazioni mediche in particolare, è importante che l'IA sia in grado di fornire spiegazioni e quindi affidabile", aggiunge lo scienziato di bioinformatica David Schuhmacher, che ha collaborato allo studio.
L'IA si basa su ipotesi falsificabili
L'IA spiegabile del team di Bochum si basa quindi sull'unico tipo di affermazioni significative conosciute dalla scienza:su ipotesi falsificabili. Se un'ipotesi è falsa, questo fatto deve essere dimostrabile attraverso un esperimento. L'intelligenza artificiale segue solitamente il principio del ragionamento induttivo:utilizzando osservazioni concrete, ovvero i dati di allenamento, l'IA crea un modello generale in base al quale valuta tutte le ulteriori osservazioni.
Il problema di fondo era stato descritto dal filosofo David Hume 250 anni fa e può essere facilmente illustrato:non importa quanti cigni bianchi osserviamo, non potremmo mai concludere da questi dati che tutti i cigni sono bianchi e che non esistono cigni neri di sorta. La scienza si avvale quindi della cosiddetta logica deduttiva. In questo approccio, un'ipotesi generale è il punto di partenza. Ad esempio, l'ipotesi che tutti i cigni siano bianchi viene falsificata quando viene individuato un cigno nero.
La rete neurale ricava una mappa di attivazione (a destra) dall'immagine microscopica di un campione di tessuto (a sinistra). Un'ipotesi stabilisce la correlazione tra l'intensità di attivazione che è stata determinata esclusivamente dal calcolo e l'identificazione di regioni tumorali che possono essere verificate sperimentalmente. Credito:PRODI
La mappa di attivazione mostra dove viene rilevato il tumore
"A prima vista, l'IA induttiva e il metodo scientifico deduttivo sembrano quasi incompatibili", afferma Stephanie Schörner, una fisica che ha anche contribuito allo studio. Ma i ricercatori hanno trovato un modo. La loro nuova rete neurale non solo fornisce una classificazione per stabilire se un campione di tessuto contiene un tumore o è privo di tumore, ma genera anche una mappa di attivazione dell'immagine del tessuto microscopico.
La mappa di attivazione si basa su un'ipotesi falsificabile, ovvero che l'attivazione derivata dalla rete neurale corrisponda esattamente alle regioni tumorali presenti nel campione. Per verificare questa ipotesi possono essere utilizzati metodi molecolari specifici del sito.
"Grazie alle strutture interdisciplinari di PRODI, abbiamo i migliori prerequisiti per incorporare l'approccio basato su ipotesi nello sviluppo di un'IA affidabile di biomarcatori in futuro, ad esempio per essere in grado di distinguere tra determinati sottotipi tumorali rilevanti per la terapia", conclude Axel Mosig. + Esplora ulteriormente
