Imagen de la lección 90.png
Aplicación de IA que facilita el diagnóstico por imágenes médicas . Foto: Midjourney

La anotación de regiones de interés en imágenes médicas, un proceso conocido como segmentación, es a menudo el primer paso que dan los investigadores clínicos cuando realizan un nuevo estudio que involucra imágenes biomédicas.

Por ejemplo, para determinar cómo cambia el tamaño del hipocampo de un paciente con la edad, los científicos deben mapear cada hipocampo en una serie de escáneres cerebrales. Dada la gran cantidad de estructuras y tipos de imágenes, este suele ser un proceso manual que requiere mucho tiempo, especialmente cuando las regiones de interés están mal delimitadas.

Para simplificar este proceso, investigadores del MIT han desarrollado un sistema basado en IA que permite segmentar rápidamente nuevos conjuntos de datos de imágenes biomédicas haciendo clic, dibujando o dibujando cuadros en las imágenes. El modelo de IA utiliza estas interacciones para predecir la segmentación.

A medida que el usuario etiqueta más imágenes, el número de interacciones requeridas disminuye, hasta llegar a cero. El modelo puede entonces segmentar con precisión nuevas imágenes sin necesidad de intervención del usuario.

Esto es posible gracias a que la arquitectura del modelo está diseñada específicamente para aprovechar la información de imágenes previamente segmentadas y realizar predicciones para imágenes posteriores. A diferencia de otros modelos de segmentación de imágenes médicas, este sistema permite segmentar todo el conjunto de datos sin tener que repetir el proceso para cada imagen.

Además, esta herramienta interactiva no requiere un conjunto de datos presegmentado para su entrenamiento, por lo que los usuarios no necesitan conocimientos de aprendizaje automático ni recursos computacionales complejos. Pueden usar el sistema para una nueva tarea de segmentación sin tener que volver a entrenar el modelo.

A largo plazo, la herramienta podría acelerar la investigación de nuevos tratamientos y reducir los costes de los ensayos clínicos y la investigación médica. Además, podría ser utilizada por los médicos para mejorar la eficiencia de las aplicaciones clínicas, como la planificación de la radioterapia.

Muchos científicos solo pueden segmentar unas pocas imágenes al día para sus investigaciones, ya que la segmentación manual consume demasiado tiempo. Esperamos que este sistema abra nuevas oportunidades científicas al permitir a los investigadores clínicos realizar estudios que antes no podían realizar por falta de herramientas eficaces, afirmó Hallee Wong, estudiante de doctorado en ingeniería eléctrica e informática, autora principal de un artículo que presenta el modelo.

Optimización de segmentos

Actualmente existen dos métodos principales que los investigadores utilizan para segmentar nuevos conjuntos de imágenes médicas:

Segmentación interactiva: El usuario introduce una imagen en el sistema de IA y marca las regiones de interés. El modelo predice un segmento basándose en esas interacciones. Una herramienta desarrollada previamente por el equipo del MIT, ScribblePrompt, permite realizar esto, pero debe repetirse para cada nueva imagen.

Segmentación automática basada en tareas : Cree un modelo de IA especializado para automatizar la segmentación. Este método requiere la segmentación manual de cientos de imágenes para crear un conjunto de datos de entrenamiento y, posteriormente, entrenar el modelo de aprendizaje automático. Cada vez que surge una nueva tarea, el usuario debe reiniciar todo este complejo proceso, y si el modelo es incorrecto, no hay forma de editarlo directamente.

El nuevo sistema, MultiverSeg, combina lo mejor de ambos mundos. Predice un segmento para una nueva imagen basándose en interacciones (como dibujar), pero también guarda cada imagen segmentada en un conjunto de contexto para su posterior consulta.

A medida que los usuarios suben nuevas fotos y las marcan, el modelo se basa en el conjunto de contexto para realizar predicciones más precisas con menos esfuerzo. El diseño arquitectónico permite conjuntos de contexto de cualquier tamaño, lo que hace que la herramienta sea flexible para diversas aplicaciones.

“En algún momento, para muchas tareas, no será necesario proporcionar ninguna interacción adicional. Si hay suficientes ejemplos en el contexto, el modelo puede predecir el segmento con precisión por sí solo”, explica Wong.

El modelo se entrena con diversos conjuntos de datos para garantizar que las predicciones se mejoren gradualmente según los comentarios de los usuarios. No es necesario volver a entrenar el modelo para nuevos datos; simplemente cargue nuevas imágenes médicas y comience a etiquetar.

En pruebas de comparación con otras herramientas de última generación, MultiverSeg supera en eficiencia y precisión.

Menos trabajo, mejores resultados

A diferencia de las herramientas existentes, MultiverSeg requiere menos información por imagen. A partir de la novena imagen, solo necesita dos clics para generar una segmentación más precisa que un modelo específico para cada tarea.

Con algunos tipos de imágenes, como los rayos X, es posible que el usuario solo necesite segmentar manualmente 1 o 2 imágenes antes de que el modelo sea lo suficientemente preciso para predecir el resto.

La interactividad permite a los usuarios modificar las predicciones, iterándolas hasta alcanzar la precisión deseada. En comparación con el sistema anterior, MultiverSeg logró una precisión del 90 % con solo 2/3 de los trazos y 3/4 de los clics.

Con MultiverSeg, los usuarios siempre pueden añadir interacciones para refinar las predicciones de la IA. Esto acelera considerablemente el proceso, ya que la edición es mucho más rápida que empezar desde cero, añadió Wong.

En el futuro, el equipo quiere probar la herramienta en la práctica clínica, mejorarla basándose en los comentarios y ampliar sus capacidades de segmentación a las imágenes biomédicas en 3D.

La investigación fue financiada en parte por Quanta Computer, Inc., los Institutos Nacionales de Salud de EE. UU. (NIH) y hardware del Centro de Ciencias de la Vida de Massachusetts.

(Fuente: MIT News)

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