90. lecke képe.png
MI alkalmazás támogatja az orvosi képalkotó diagnosztikát. Fotó: Midjourney

Az orvosi képeken az érdeklődésre számot tartó területek annotálása, egy szegmentálásnak nevezett folyamat, gyakran az első lépés, amit a klinikai kutatók tesznek egy új, biomedicinális képalkotással kapcsolatos vizsgálat elvégzésekor.

Például annak meghatározásához, hogy egy beteg hippocampusának mérete hogyan változik az életkor előrehaladtával, a tudósoknak minden egyes hippocampust fel kell térképezniük egy sor agyi vizsgálattal. Tekintettel a képalkotás számos struktúrájára és típusára, ez gyakran időigényes manuális folyamat, különösen akkor, ha az érdeklődésre számot tartó területek rosszul vannak körülhatárolva.

A folyamat egyszerűsítése érdekében az MIT kutatói kifejlesztettek egy mesterséges intelligencia alapú rendszert, amely lehetővé teszi a tudósok számára, hogy gyorsan szegmentáljanak új biomedicinális képalkotó adathalmazokat kattintással, firkálással vagy dobozok rajzolásával a képekre. Az MI-modell ezeket az interakciókat használja fel a szegmentálás előrejelzésére.

Ahogy a felhasználó több képet címkéz meg, a szükséges interakciók száma csökken, végül nullára csökken. A modell ezután a felhasználó további beavatkozása nélkül is pontosan szegmentálhatja az új képeket.

Ez azért lehetséges, mert a modellarchitektúra kifejezetten úgy van kialakítva, hogy a korábban szegmentált képekből származó információkat felhasználva előrejelzéseket készítsen a későbbi képekre vonatkozóan. Más orvosi képszegmentációs modellekkel ellentétben ez a rendszer lehetővé teszi a felhasználók számára, hogy a teljes adathalmazt szegmentálják anélkül, hogy minden egyes képhez meg kellene ismételni a munkát.

Továbbá, ez az interaktív eszköz nem igényel előre szegmentált adathalmazt a betanításhoz, így a felhasználóknak nincs szükségük gépi tanulási szakértelemre vagy összetett számítási erőforrásokra. A rendszert új szegmentálási feladathoz is használhatják anélkül, hogy újra kellene tanítaniuk a modellt.

Hosszú távon az eszköz felgyorsíthatja az új kezelések kutatását, és csökkentheti a klinikai vizsgálatok és az orvosi kutatás költségeit. Az orvosok a klinikai alkalmazások, például a sugárkezelés tervezésének hatékonyságának javítására is használhatják.

„Sok tudós csak napi néhány képet tud szegmentálni a kutatása során, mivel a manuális szegmentálás túl időigényes. Reméljük, hogy ez a rendszer új tudományos lehetőségeket nyit meg azáltal, hogy lehetővé teszi a klinikai kutatók számára olyan vizsgálatok elvégzését, amelyeket korábban a hatékony eszközök hiánya miatt nem tudtak megtenni” – mondta Hallee Wong, a villamosmérnöki és számítástechnikai PhD-hallgató, a modellt bemutató tanulmány vezető szerzője.

Szegmens optimalizálás

Jelenleg két fő módszer létezik, amelyeket a kutatók az új orvosi képkészletek szegmentálására használnak:

Interaktív szegmentálás: A felhasználó bevisz egy képet a mesterséges intelligencia rendszerbe, és megjelöli az érdeklődésre számot tartó régiókat. A modell ezen interakciók alapján jósolja meg a szegmenst. Az MIT csapata által korábban kifejlesztett ScribblePrompt eszköz lehetővé teszi ezt, de minden új kép esetében meg kell ismételni.

Feladatalapú automatikus szegmentálás : Hozzon létre egy speciális mesterséges intelligencia modellt a szegmentálás automatizálására. Ez a módszer több száz kép manuális szegmentálását igényli egy betanítási adatkészlet létrehozásához, majd a gépi tanulási modell betanításához. Minden alkalommal, amikor új feladat merül fel, a felhasználónak újra kell kezdenie ezt a teljes összetett folyamatot, és ha a modell hibás, nincs mód a közvetlen szerkesztésre.

Az új rendszer, a MultiverSeg, a két világ legjavát ötvözi. Interakciók (például firkálás) alapján megjósolja az új kép szegmensét, de minden szegmentált képet egy kontextuskészletbe is ment későbbi referencia céljából.

Ahogy a felhasználók új fotókat töltenek fel és jelölik meg őket, a modell a kontextuskészletre támaszkodik, hogy pontosabb előrejelzéseket tegyen kevesebb munkával. Az architektúra kialakítása lehetővé teszi bármilyen méretű kontextuskészlet használatát, így az eszköz rugalmasan használható számos alkalmazáshoz.

„Sok feladatnál egy bizonyos ponton már nem kell további interakciót biztosítani. Ha elegendő példa van a kontextuskészletben, a modell önmagában is pontosan meg tudja jósolni a szegmenst” – magyarázza Wong.

A modellt változatos adathalmazokon képezik ki, hogy a felhasználói visszajelzések alapján fokozatosan javuljanak az előrejelzések. A felhasználóknak nem kell újra betanítaniuk a modellt az új adatokhoz – egyszerűen csak töltsenek be új orvosi képeket, és kezdjék el a címkézést.

Összehasonlító tesztek során más, élvonalbeli eszközökkel a MultiverSeg hatékonyság és pontosság tekintetében felülmúlja azt.

Kevesebb munka, jobb eredmény

A meglévő eszközökkel ellentétben a MultiverSeg kevesebb bemenetet igényel képenként. A 9. képre már csak 2 kattintásra van szüksége a pontosabb szegmentáláshoz, mint egy feladatspecifikus modell esetében.

Bizonyos képtípusok, például a röntgenfelvételek esetében a felhasználónak elegendő 1-2 képet manuálisan szegmentálnia, mielőtt a modell elég pontos lesz a többi előrejelzéséhez.

Az interaktivitás lehetővé teszi a felhasználók számára az előrejelzések módosítását, a kívánt pontosság eléréséig iterálva. Az előző rendszerhez képest a MultiverSeg 90%-os pontosságot ért el mindössze 2/3-ad számú ecsetvonással és 3/4-ed számú kattintással.

„A MultiverSeg segítségével a felhasználók bármikor hozzáadhatnak interakciókat a mesterséges intelligencia előrejelzéseinek finomítása érdekében. Ez továbbra is jelentősen felgyorsítja a folyamatot, mivel a szerkesztés sokkal gyorsabb, mint a nulláról kezdeni” – tette hozzá Wong.

A csapat a jövőben a klinikai gyakorlatban szeretné tesztelni az eszközt, a visszajelzések alapján fejleszteni, és kiterjeszteni szegmentálási képességeit a 3D-s biomedicinális képalkotásra.

A kutatást részben a Quanta Computer, Inc., az Egyesült Államok Nemzeti Egészségügyi Intézetei (NIH) és a Massachusetts Élettudományi Központ hardverei támogatták.

(Forrás: MIT Hírek)

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