מערכת בינה מלאכותית חדשה מסייעת להאיץ את המחקר הקליני

על ידי מתן אפשרות להערות מהירות על אזורים מעניינים בתמונות רפואיות, הכלי יכול לסייע למדענים לחקור טיפולים חדשים או למפות את התקדמות המחלה.

אפליקציית בינה מלאכותית תומכת באבחון תמונות רפואיות . צילום: Midjourney

ביאור של אזורים מעניינים בתמונות רפואיות, תהליך המכונה פילוח, הוא לעתים קרובות הצעד הראשון שחוקרים קליניים נוקטים בעת ביצוע מחקר חדש הכרוך בהדמיה ביו-רפואית.

לדוגמה, כדי לקבוע כיצד גודל ההיפוקמפוס של מטופל משתנה עם הגיל, מדענים חייבים למפות כל היפוקמפוס בסדרה של סריקות מוח. בהתחשב במבנים ובסוגי ההדמיה הרבים, זהו לעתים קרובות תהליך ידני גוזל זמן, במיוחד כאשר אזורי העניין אינם מוגדרים היטב.

כדי לפשט את התהליך הזה, חוקרים ב-MIT פיתחו מערכת מבוססת בינה מלאכותית המאפשרת למדענים לפלח במהירות מערכי נתונים חדשים של הדמיה ביו-רפואית על ידי לחיצה, שרבוט או ציור תיבות על התמונות. מודל הבינה המלאכותית משתמש באינטראקציות אלו כדי לחזות פילוח.

ככל שהמשתמש מתייג יותר תמונות, מספר האינטראקציות הנדרשות פוחת, ובסופו של דבר יורד לאפס. לאחר מכן המודל יכול לפלח תמונות חדשות בצורה מדויקת ללא כל קלט נוסף מצד המשתמש.

זה אפשרי מכיוון שארכיטקטורת המודל תוכננה במיוחד למנף מידע מתמונות שחולקו בעבר כדי לבצע תחזיות לתמונות עוקבות. בניגוד למודלים אחרים של פילוח תמונות רפואיות, מערכת זו מאפשרת למשתמשים לפלח את כל מערך הנתונים מבלי לחזור על העבודה עבור כל תמונה.

בנוסף, כלי אינטראקטיבי זה אינו דורש מערך נתונים מפולח מראש לצורך אימון, כך שמשתמשים אינם זקוקים למומחיות בלמידת מכונה או למשאבי חישוב מורכבים. הם יכולים להשתמש במערכת עבור משימת פילוח חדשה מבלי לאמן מחדש את המודל.

בטווח הארוך, הכלי יוכל להאיץ את המחקר על טיפולים חדשים ולהפחית את עלויות הניסויים הקליניים והמחקר הרפואי. הוא יוכל לשמש גם רופאים לשיפור היעילות של יישומים קליניים, כגון תכנון טיפולי קרינה.

"מדענים רבים עשויים להיות מסוגלים לפלח רק מספר תמונות בודדות ביום עבור מחקרם מכיוון שפילוח ידני גוזל זמן רב מדי. אנו מקווים שמערכת זו תפתח הזדמנויות מדעיות חדשות בכך שתאפשר לחוקרים קליניים לערוך מחקרים שלא יכלו לעשות בעבר עקב היעדר כלים יעילים", אמרה האלי וונג, דוקטורנטית להנדסת חשמל ומדעי המחשב, המחברת הראשית של מאמר המציג את המודל.

אופטימיזציה של פלחים

כיום ישנן שתי שיטות עיקריות בהן משתמשים חוקרים כדי לפלח קבוצות חדשות של תמונות רפואיות:

פילוח אינטראקטיבי: משתמש מזין תמונה למערכת הבינה המלאכותית ומסמן אזורים מעניינים. המודל מנבא מקטע על סמך אינטראקציות אלו. כלי שפותח בעבר על ידי צוות MIT, ScribblePrompt, מאפשר לעשות זאת, אך יש לחזור על כך עבור כל תמונה חדשה.

פילוח אוטומטי מבוסס משימות : בניית מודל בינה מלאכותית ייעודי לאוטומציה של פילוח. שיטה זו דורשת פילוח ידני של מאות תמונות כדי ליצור מערך נתונים של אימון, ולאחר מכן אימון מודל למידת המכונה. בכל פעם שמשימה חדשה עולה, המשתמש צריך להתחיל את כל התהליך המורכב הזה מחדש, ואם המודל שגוי, אין דרך לערוך אותו ישירות.

המערכת החדשה, MultiverSeg, משלבת את הטוב שבשני העולמות. היא מנבאת קטע עבור תמונה חדשה על סמך אינטראקציות (כמו שרבוטים), אך גם שומרת כל תמונה מפולחת בקבוצת הקשר לעיון מאוחר יותר.

כאשר משתמשים מעלים תמונות חדשות ומסמנים אותן, המודל מסתמך על מערך ההקשר כדי לבצע תחזיות מדויקות יותר בפחות עבודה. העיצוב האדריכלי מאפשר מערכי הקשר בכל גודל, מה שהופך את הכלי לגמיש עבור יישומים רבים.

"בשלב מסוים, עבור משימות רבות, לא תצטרכו לספק אינטראקציה נוספת. אם יש מספיק דוגמאות בקבוצת ההקשר, המודל יכול לחזות במדויק את הקטע בעצמו", מסביר וונג.

המודל מאומן על מערכי נתונים מגוונים כדי להבטיח שהתחזיות ישתפרו בהדרגה בהתבסס על משוב המשתמשים. משתמשים אינם צריכים לאמן מחדש את המודל עבור נתונים חדשים - פשוט לטעון תמונות רפואיות חדשות ולהתחיל לתייג.

במבחני השוואה עם כלים חדישים אחרים, MultiverSeg עולה על הביצועים שלו מבחינת יעילות ודיוק.

פחות עבודה, תוצאות טובות יותר

בניגוד לכלים קיימים, MultiverSeg דורש פחות קלט לכל תמונה. עד לתמונה התשיעית, נדרשות רק 2 לחיצות כדי ליצור פילוח מדויק יותר מאשר מודל ספציפי למשימה.

עם סוגים מסוימים של תמונות כמו צילומי רנטגן, ייתכן שהמשתמש יצטרך לפלח ידנית רק 1-2 תמונות לפני שהמודל יהיה מדויק מספיק כדי לחזות את השאר.

אינטראקטיביות מאפשרת למשתמשים לשנות תחזיות, לבצע איטרציות עד שהן מגיעות לדיוק הרצוי. בהשוואה למערכת הקודמת, MultiverSeg השיגה דיוק של 90% עם רק 2/3 מהמשיכות ו-3/4 מהלחיצות.

"עם MultiverSeg, משתמשים תמיד יכולים להוסיף אינטראקציות כדי לחדד את תחזיות הבינה המלאכותית. זה עדיין מאיץ את התהליך באופן משמעותי מכיוון שעריכה מהירה בהרבה מאשר התחלה מאפס", הוסיף וונג.

בעתיד, הצוות רוצה לבחון את הכלי בפועל קליני, לשפר אותו על סמך משוב, ולהרחיב את יכולות הסגמנטציה שלו להדמיה ביו-רפואית תלת-ממדית.

המחקר נתמך בחלקו על ידי Quanta Computer, Inc., המכונים הלאומיים לבריאות של ארה"ב (NIH) וחומרה ממרכז מדעי החיים של מסצ'וסטס.

(מקור: חדשות MIT)

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