Een nieuw thermisch beeldvormingssysteem op basis van kunstmatige intelligentie wordt onderzocht als detectiemiddel om kwaadaardigheid van huidmassa's bij honden uit te sluiten.
De ontwikkeling van kunstmatige intelligentie (AI) verbetert de levenservaring van een heleboel mensen. AI maakt het mogelijk om complexe problemen beter te begrijpen en maakt de verkregen resultaten waarschijnlijker en nauwkeuriger. In de humane geneeskunde zal AI de komende tien jaar naar verwachting meer dan 150 miljard euro opleveren.
Op dezelfde manier waarop de menselijke geneeskunde gebruik maakt van de vooruitgang in AI, gebruikt de diergeneeskunde dit soort technologie om het leven van huisdieren te verbeteren, met name op gebieden zoals radiografie, triage en de diagnose van ziekten.
Kunstmatige intelligentie is een tak van informatica die menselijke intelligentie simuleert met behulp van computers. Deze technologie analyseert snel en uitvoerig zeer grote verzamelingen gegevens volgens instructies, algoritmen genoemd, die aangeven welke specifieke taak moet worden uitgevoerd. AI kan echter alleen doen wat het wordt opgedragen, dus het bootst de menselijke cognitie en intelligentie bij lange na niet na.
Een recent onderzoek dat gezamenlijk werd uitgevoerd door de VS en Israël was gericht op het trainen en valideren van het gebruik van een nieuw AI-gebaseerd thermisch beeldvormingssysteem als een detectiemiddel voor het uitsluiten van de kwaadaardigheid van cutane en subcutane massa's bij honden.
Om het werk uit te voeren werd een eerste 'trainingsfase' van het kunstmatige intelligentieprogramma uitgevoerd met 147 honden en in totaal 233 massa's, waarbij het systeem leerde om kwaadaardige tumoren van goedaardige neoplasma's te onderscheiden.
Vervolgens omvatte het validatieonderzoek 299 honden met 525 massa's. De cytologie slaagde er niet in om 94 massa's te diagnosticeren, wat resulteerde in 431 massa's van 248 honden met bevestigde diagnostische monsters.
Tijdens de analyse werd elke massa en het aangrenzende gezonde weefsel verwarmd door een krachtige elektroluminescente diode. Het apparaat registreerde de temperatuur van het weefsel en analyseerde deze op zijn beurt met behulp van een machine learning-algoritme onder toezicht om te bepalen of de massa verdere diagnostische tests vereiste als er vermoeden was van een kwaadaardige tumor.
Het eerste onderzoek werd uitgevoerd om gegevens te verzamelen om het algoritme te trainen. Het tweede onderzoek valideerde het algoritme, waarbij real-time voorspellingen van het apparaat werden vergeleken met cytologie- en/of biopsieresultaten.
De resultaten van het validatieonderzoek toonden aan dat het apparaat 45 van de 53 kwaadaardige massa's en 253 van de 378 goedaardige massa's correct classificeerde (sensitiviteit = 85% en specificiteit = 67%). De negatief voorspellende waarde van het systeem (d.w.z. het percentage goedaardige massa's dat als goedaardig werd geïdentificeerd) was 97%.
Rekening houdend met deze resultaten leggen de auteurs uit dat de studie aantoont dat "dit nieuwe systeem kan worden gebruikt als een beslissingsondersteunend hulpmiddel, waarmee dierenartsen goedaardige laesies kunnen onderscheiden van laesies die verdere diagnose vereisen".