Obrázek lekce 90.png
Aplikace umělé inteligence podporuje diagnostiku pomocí lékařských zobrazovacích metod. Foto: Midjourney

Anotace oblastí zájmu v lékařských snímcích, proces známý jako segmentace, je často prvním krokem, který kliničtí vědci podnikají při provádění nové studie zahrnující biomedicínské zobrazování.

Například aby vědci zjistili, jak se velikost hipokampu pacienta mění s věkem, musí zmapovat každý hipokampus v sérii skenů mozku. Vzhledem k mnoha strukturám a typům zobrazování je to často časově náročný manuální proces, zejména pokud jsou oblasti zájmu špatně vymezené.

Pro zjednodušení tohoto procesu vyvinuli vědci z MIT systém založený na umělé inteligenci, který umožňuje vědcům rychle segmentovat nové biomedicínské zobrazovací soubory kliknutím, kreslením nebo kreslením rámečků na snímcích. Model umělé inteligence využívá tyto interakce k predikci segmentace.

Jak uživatel označuje více obrázků, počet potřebných interakcí klesá a nakonec klesá na nulu. Model pak dokáže přesně segmentovat nové obrázky bez jakéhokoli dalšího vstupu od uživatele.

To je možné, protože architektura modelu je speciálně navržena tak, aby využívala informace z dříve segmentovaných snímků k vytváření predikcí pro následné snímky. Na rozdíl od jiných modelů segmentace lékařských snímků umožňuje tento systém uživatelům segmentovat celou datovou sadu, aniž by museli práci opakovat pro každý snímek.

Tento interaktivní nástroj navíc nevyžaduje k trénování předsegmentovanou datovou sadu, takže uživatelé nepotřebují znalosti strojového učení ani složité výpočetní prostředky. Systém mohou použít pro nový segmentační úkol, aniž by museli model znovu trénovat.

Z dlouhodobého hlediska by tento nástroj mohl urychlit výzkum nových léčebných postupů a snížit náklady na klinické studie a lékařský výzkum. Lékaři by jej také mohli využít ke zlepšení efektivity klinických aplikací, jako je plánování radiační léčby.

„Mnoho vědců může být pro svůj výzkum schopno segmentovat pouze několik snímků denně, protože manuální segmentace je příliš časově náročná. Doufáme, že tento systém otevře nové vědecké příležitosti tím, že umožní klinickým výzkumníkům provádět studie, které dříve nemohli dělat kvůli nedostatku účinných nástrojů,“ řekla Hallee Wongová, doktorandka elektrotechniky a informatiky, hlavní autorka článku představujícího tento model.

Optimalizace segmentů

V současné době existují dvě hlavní metody, které vědci používají k segmentaci nových sad lékařských snímků:

Interaktivní segmentace: Uživatel vloží obrázek do systému umělé inteligence a označí oblasti zájmu. Model na základě těchto interakcí předpovídá segment. Nástroj ScribblePrompt, dříve vyvinutý týmem MIT, to umožňuje, ale je nutné to opakovat pro každý nový obrázek.

Automatická segmentace založená na úkolech : Vytvořte specializovaný model umělé inteligence pro automatizaci segmentace. Tato metoda vyžaduje ruční segmentaci stovek obrázků za účelem vytvoření trénovací datové sady a následné trénování modelu strojového učení. Pokaždé, když se objeví nový úkol, musí uživatel celý tento složitý proces spustit znovu a pokud je model chybný, není možné jej přímo upravit.

Nový systém s názvem MultiverSeg kombinuje to nejlepší z obou světů. Předpovídá segment pro nový obrázek na základě interakcí (jako je kreslení), ale také ukládá každý segmentovaný obrázek do kontextové sady pro pozdější použití.

Jakmile uživatelé nahrávají nové fotografie a označují je, model se spoléhá na kontextovou sadu, aby mohl vytvářet přesnější předpovědi s menší námahou. Architektonický návrh umožňuje kontextové sady libovolné velikosti, což nástroj činí flexibilním pro mnoho aplikací.

„V určitém okamžiku nebudete u mnoha úkolů potřebovat žádnou další interakci. Pokud je v kontextu dostatek příkladů, model dokáže segment přesně předpovědět sám,“ vysvětluje Wong.

Model je trénován na rozmanitých datových sadách, aby se zajistilo postupné zlepšování predikcí na základě zpětné vazby od uživatelů. Uživatelé nemusí model znovu trénovat pro nová data – stačí načíst nové lékařské snímky a začít s označováním.

V porovnávacích testech s jinými nejmodernějšími nástroji MultiverSeg překonává očekávání v efektivitě a přesnosti.

Méně práce, lepší výsledky

Na rozdíl od stávajících nástrojů vyžaduje MultiverSeg méně vstupů na snímek. U 9. snímku stačí k vygenerování přesnější segmentace pouze 2 kliknutí než u modelu specifického pro daný úkol.

U některých typů snímků, jako jsou rentgenové snímky, může uživatel potřebovat ručně segmentovat pouze 1–2 snímky, než bude model dostatečně přesný na to, aby předpověděl zbytek.

Interaktivita umožňuje uživatelům upravovat predikce a iterovat, dokud nedosáhnou požadované přesnosti. Ve srovnání s předchozím systémem dosáhl MultiverSeg 90% přesnosti pouze s 2/3 tahů a 3/4 kliknutí.

„S MultiverSeg mohou uživatelé vždy přidávat interakce pro upřesnění předpovědí umělé inteligence. To stále výrazně zrychluje proces, protože úpravy jsou mnohem rychlejší než začínat od nuly,“ dodal Wong.

V budoucnu chce tým nástroj otestovat v klinické praxi, vylepšit jej na základě zpětné vazby a rozšířit jeho segmentační možnosti na 3D biomedicínské zobrazování.

Výzkum byl částečně podpořen společností Quanta Computer, Inc., americkými Národními instituty zdraví (NIH) a hardwarem z Massachusettského centra pro biologické vědy.

(Zdroj: Zprávy MIT)

Zdroj: https://vietnamnet.vn/he-thong-ai-moi-ho-tro-day-nhanh-nghien-cuu-lam-sang-2450462.html