طبقه بندی تومورهای مغزی – و در نتیجه انتخاب گزینه های درمانی بهینه – می تواند از طریق استفاده از هوش مصنوعی در ترکیب با تصویربرداری فیزیولوژیکی دقیق تر شود. این نتیجه یک مطالعه گسترده است که توسط دانشگاه کارل لندشتاینر برای علوم بهداشتی (KL Krems) انجام شده است. روش های یادگیری ماشین چند کلاسه برای تجزیه و تحلیل و طبقه بندی تومورهای مغزی با استفاده از داده های فیزیولوژیکی از تصویربرداری رزونانس مغناطیسی استفاده شد. سپس نتایج با طبقه بندی های انجام شده توسط متخصصان انسانی مقایسه شد. مشخص شد که هوش مصنوعی در زمینه‌های دقت، دقت و طبقه‌بندی نادرست، از جمله موارد دیگر برتر است، در حالی که متخصصان در حساسیت و ویژگی بهتر عمل می‌کنند.
تومورهای مغزی را می توان به راحتی با تصویربرداری رزونانس مغناطیسی (MRI) تشخیص داد، اما طبقه بندی دقیق آنها در این راه دشوار است. با این حال، این دقیقاً همان چیزی است که برای انتخاب بهترین گزینه های درمانی ممکن ضروری است. اکنون، یک تیم بین‌المللی به رهبری KL Krems از داده‌های روش‌های مدرن MRI به عنوان مبنای پروتکل‌های یادگیری ماشین (ML) استفاده کرده و استفاده از هوش مصنوعی را برای طبقه‌بندی تومورهای مغزی ارزیابی کرده‌اند. آنها دریافتند که در برخی زمینه‌ها، طبقه‌بندی با استفاده از هوش مصنوعی می‌تواند برتر از طبقه‌بندی توسط متخصصان آموزش دیده باشد.
تیمی به سرپرستی پروفسور آندریاس استادلبائر، دانشمند مؤسسه مرکزی تشخیص رادیولوژی پزشکی در بیمارستان دانشگاه سنت پولتن، از داده های MRI پیشرفته و فیزیولوژیکی برای این مطالعه استفاده کردند. هر دو روش بینش بیشتری در مورد ساختار و متابولیسم تومور مغزی ارائه می دهند و برای مدتی امکان طبقه بندی بهتر را فراهم می کنند. اما بهایی که باید برای چنین تصویر متمایز پرداخت شود، حجم عظیمی از داده ها است که باید به طور کارشناسانه ارزیابی شوند.
این تیم برای دستیابی به نتیجه چشمگیر خود، ۹ الگوریتم معروف Multiclass ML را با داده های MRI از ۱۶۷ بیمار قبلی که یکی از پنج تومور شایع مغزی را داشتند و با استفاده از بافت شناسی طبقه بندی دقیقی داشتند، آموزش دادند. در مجموع ۱۳۵ طبقه بندی کننده در یک پروتکل پیچیده تولید شد. اینها توابع ریاضی هستند که مواد مورد بررسی را به دسته های خاصی اختصاص می دهند.
این تیم ترکیبی از داده‌های حاصل از روش‌های مختلف MRI با چند کلاسه ML را «رادیوفیزیومیکس» نامیدند. این اصطلاحی است که احتمالاً به سرعت به کار می‌رود، زیرا پتانسیل این رویکرد در بخش دوم پروژه، مرحله آزمایش، آشکار شد. در این، الگوریتم‌های چند کلاسه ML که اکنون آموزش دیده‌اند، با داده‌های MRI مربوطه از ۲۰ بیمار فعلی تومور مغزی تغذیه شدند و نتایج طبقه‌بندی‌های به‌دست‌آمده با نتایج دو رادیولوژیست معتبر مقایسه شد. بنابراین، دو بهترین الگوریتم ML از نتایج ارزیابی انسانی در زمینه‌های دقت و دقت بهتر عمل کردند. همچنین، این الگوریتم‌های ML منجر به طبقه‌بندی اشتباه کمتری نسبت به افراد حرفه‌ای شدند (۵ در مقابل ۶). از سوی دیگر، وقتی نوبت به حساسیت و ویژگی ارزیابی می‌شد، ارزیابی‌های انسانی دقیق‌تر از هوش مصنوعی آزمایش‌شده بود.
