Εικόνα του μαθήματος 90.png
Εφαρμογή τεχνητής νοημοσύνης υποστηρίζει τη διάγνωση ιατρικών εικόνων. Φωτογραφία: Midjourney

Η σχολιασμός περιοχών ενδιαφέροντος σε ιατρικές εικόνες, μια διαδικασία γνωστή ως τμηματοποίηση, είναι συχνά το πρώτο βήμα που κάνουν οι κλινικοί ερευνητές όταν διεξάγουν μια νέα μελέτη που περιλαμβάνει βιοϊατρική απεικόνιση.

Για παράδειγμα, για να προσδιορίσουν πώς αλλάζει το μέγεθος του ιππόκαμπου ενός ασθενούς καθώς μεγαλώνει, οι επιστήμονες πρέπει να χαρτογραφήσουν κάθε ιππόκαμπο σε μια σειρά από σαρώσεις εγκεφάλου. Δεδομένων των πολλών δομών και τύπων απεικόνισης, αυτή είναι συχνά μια χρονοβόρα χειροκίνητη διαδικασία, ειδικά όταν οι περιοχές ενδιαφέροντος δεν είναι καλά οριοθετημένες.

Για να απλοποιήσουν αυτήν τη διαδικασία, οι ερευνητές του MIT ανέπτυξαν ένα σύστημα βασισμένο στην τεχνητή νοημοσύνη που επιτρέπει στους επιστήμονες να τμηματοποιούν γρήγορα νέα σύνολα δεδομένων βιοϊατρικής απεικόνισης κάνοντας κλικ, σχεδιάζοντας σκίτσα ή πλαίσια στις εικόνες. Το μοντέλο τεχνητής νοημοσύνης χρησιμοποιεί αυτές τις αλληλεπιδράσεις για να προβλέψει την τμηματοποίηση.

Καθώς ο χρήστης προσθέτει ετικέτες σε περισσότερες εικόνες, ο αριθμός των απαιτούμενων αλληλεπιδράσεων μειώνεται, τελικά μηδενίζοντας. Το μοντέλο μπορεί στη συνέχεια να τμηματοποιήσει με ακρίβεια τις νέες εικόνες χωρίς καμία πρόσθετη εισαγωγή από τον χρήστη.

Αυτό είναι εφικτό επειδή η αρχιτεκτονική του μοντέλου έχει σχεδιαστεί ειδικά για να αξιοποιεί πληροφορίες από εικόνες που έχουν τμηματοποιηθεί προηγουμένως, ώστε να κάνει προβλέψεις για επόμενες εικόνες. Σε αντίθεση με άλλα μοντέλα τμηματοποίησης ιατρικών εικόνων, αυτό το σύστημα επιτρέπει στους χρήστες να τμηματοποιούν ολόκληρο το σύνολο δεδομένων χωρίς να χρειάζεται να επαναλαμβάνουν την εργασία για κάθε εικόνα.

Επιπλέον, αυτό το διαδραστικό εργαλείο δεν απαιτεί ένα προ-τμηματοποιημένο σύνολο δεδομένων για εκπαίδευση, επομένως οι χρήστες δεν χρειάζονται εμπειρία στη μηχανική μάθηση ή πολύπλοκους υπολογιστικούς πόρους. Μπορούν να χρησιμοποιήσουν το σύστημα για μια νέα εργασία τμηματοποίησης χωρίς να χρειάζεται να επανεκπαιδεύσουν το μοντέλο.

Μακροπρόθεσμα, το εργαλείο θα μπορούσε να επιταχύνει την έρευνα για νέες θεραπείες και να μειώσει το κόστος των κλινικών δοκιμών και της ιατρικής έρευνας. Θα μπορούσε επίσης να χρησιμοποιηθεί από γιατρούς για τη βελτίωση της αποτελεσματικότητας των κλινικών εφαρμογών, όπως ο σχεδιασμός της ακτινοθεραπείας.

«Πολλοί επιστήμονες μπορεί να είναι σε θέση να τμηματοποιούν μόνο λίγες εικόνες την ημέρα για την έρευνά τους, επειδή η χειροκίνητη τμηματοποίηση είναι πολύ χρονοβόρα. Ελπίζουμε ότι αυτό το σύστημα θα ανοίξει νέες επιστημονικές ευκαιρίες επιτρέποντας στους κλινικούς ερευνητές να διεξάγουν μελέτες που δεν μπορούσαν να κάνουν πριν λόγω έλλειψης αποτελεσματικών εργαλείων», δήλωσε η Hallee Wong, διδακτορική φοιτήτρια στην ηλεκτρολογία και την επιστήμη των υπολογιστών, κύρια συγγραφέας μιας εργασίας που παρουσιάζει το μοντέλο.

Βελτιστοποίηση τμήματος

Υπάρχουν επί του παρόντος δύο κύριες μέθοδοι που χρησιμοποιούν οι ερευνητές για την τμηματοποίηση νέων συνόλων ιατρικών εικόνων:

Διαδραστική τμηματοποίηση: Ένας χρήστης εισάγει μια εικόνα στο σύστημα τεχνητής νοημοσύνης και επισημαίνει περιοχές ενδιαφέροντος. Το μοντέλο προβλέπει ένα τμήμα με βάση αυτές τις αλληλεπιδράσεις. Ένα εργαλείο που αναπτύχθηκε προηγουμένως από την ομάδα του MIT, το ScribblePrompt, επιτρέπει αυτό να γίνει, αλλά πρέπει να επαναλαμβάνεται για κάθε νέα εικόνα.

Αυτόματη Τμηματοποίηση βάσει Εργασιών : Δημιουργήστε ένα εξειδικευμένο μοντέλο Τεχνητής Νοημοσύνης για την αυτοματοποίηση της τμηματοποίησης. Αυτή η μέθοδος απαιτεί χειροκίνητη τμηματοποίηση εκατοντάδων εικόνων για τη δημιουργία ενός συνόλου δεδομένων εκπαίδευσης και, στη συνέχεια, εκπαίδευση του μοντέλου μηχανικής μάθησης. Κάθε φορά που προκύπτει μια νέα εργασία, ο χρήστης πρέπει να ξεκινήσει ξανά ολόκληρη αυτή τη σύνθετη διαδικασία και, εάν το μοντέλο είναι λάθος, δεν υπάρχει τρόπος να το επεξεργαστείτε απευθείας.

Το νέο σύστημα, MultiverSeg, συνδυάζει τα καλύτερα και των δύο κόσμων. Προβλέπει ένα τμήμα για μια νέα εικόνα με βάση αλληλεπιδράσεις (όπως το doodling), αλλά αποθηκεύει επίσης κάθε τμηματοποιημένη εικόνα σε ένα καθορισμένο περιβάλλον για μελλοντική αναφορά.

Καθώς οι χρήστες ανεβάζουν νέες φωτογραφίες και τις επισημαίνουν, το μοντέλο βασίζεται στο σύνολο περιβάλλοντος για να κάνει πιο ακριβείς προβλέψεις με λιγότερη εργασία. Ο αρχιτεκτονικός σχεδιασμός επιτρέπει σύνολα περιβάλλοντος οποιουδήποτε μεγέθους, καθιστώντας το εργαλείο ευέλικτο για πολλές εφαρμογές.

«Κάποια στιγμή, για πολλές εργασίες, δεν θα χρειαστεί να παρέχετε καμία πρόσθετη αλληλεπίδραση. Εάν υπάρχουν αρκετά παραδείγματα στο σύνολο περιβάλλοντος, το μοντέλο μπορεί να προβλέψει με ακρίβεια το τμήμα από μόνο του», εξηγεί ο Wong.

Το μοντέλο εκπαιδεύεται σε ποικίλα σύνολα δεδομένων για να διασφαλιστεί ότι οι προβλέψεις βελτιώνονται σταδιακά με βάση τα σχόλια των χρηστών. Οι χρήστες δεν χρειάζεται να επανεκπαιδεύσουν το μοντέλο για νέα δεδομένα - απλώς φορτώστε νέες ιατρικές εικόνες και ξεκινήστε την επισήμανση.

Σε συγκριτικές δοκιμές με άλλα εργαλεία τελευταίας τεχνολογίας, το MultiverSeg υπερτερεί σε απόδοση και ακρίβεια.

Λιγότερη δουλειά, καλύτερα αποτελέσματα

Σε αντίθεση με τα υπάρχοντα εργαλεία, το MultiverSeg απαιτεί λιγότερη εισαγωγή δεδομένων ανά εικόνα. Μέχρι την 9η εικόνα, χρειάζονται μόνο 2 κλικ για να δημιουργηθεί μια πιο ακριβής τμηματοποίηση από ένα μοντέλο που αφορά συγκεκριμένες εργασίες.

Με ορισμένους τύπους εικόνων, όπως οι ακτίνες Χ, ο χρήστης μπορεί να χρειαστεί να τμηματοποιήσει χειροκίνητα μόνο 1-2 εικόνες προτού το μοντέλο είναι αρκετά ακριβές για να προβλέψει τις υπόλοιπες.

Η διαδραστικότητα επιτρέπει στους χρήστες να τροποποιούν τις προβλέψεις, επαναλαμβάνοντας τις μέχρι να επιτύχουν την επιθυμητή ακρίβεια. Σε σύγκριση με το προηγούμενο σύστημα, το MultiverSeg πέτυχε ακρίβεια 90% με μόνο τα 2/3 των χτυπημάτων και τα 3/4 των κλικ.

«Με το MultiverSeg, οι χρήστες μπορούν πάντα να προσθέτουν αλληλεπιδράσεις για να βελτιώσουν τις προβλέψεις της τεχνητής νοημοσύνης. Αυτό επιταχύνει σημαντικά τη διαδικασία, επειδή η επεξεργασία είναι πολύ πιο γρήγορη από το να ξεκινάς από την αρχή», πρόσθεσε ο Wong.

Στο μέλλον, η ομάδα θέλει να δοκιμάσει το εργαλείο στην κλινική πράξη, να το βελτιώσει με βάση τα σχόλια και να επεκτείνει τις δυνατότητες τμηματοποίησης στην τρισδιάστατη βιοϊατρική απεικόνιση.

Η έρευνα υποστηρίχθηκε εν μέρει από την Quanta Computer, Inc., τα Εθνικά Ινστιτούτα Υγείας των ΗΠΑ (NIH) και υλικό από το Κέντρο Βιοεπιστημών της Μασαχουσέτης.

(Πηγή: MIT News)

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