Gambar pelajaran 90.png
Aplikasi AI mendukung diagnosis citra medis . Foto: Midjourney

Pemberian anotasi pada area yang diminati dalam gambar medis, suatu proses yang dikenal sebagai segmentasi, sering kali merupakan langkah pertama yang diambil peneliti klinis saat melakukan studi baru yang melibatkan pencitraan biomedis.

Misalnya, untuk menentukan bagaimana ukuran hipokampus pasien berubah seiring bertambahnya usia, para ilmuwan harus memetakan setiap hipokampus dalam serangkaian pemindaian otak. Mengingat banyaknya struktur dan jenis pencitraan, proses manual ini seringkali memakan waktu, terutama ketika area yang diinginkan tidak dibatasi dengan baik.

Untuk menyederhanakan proses ini, para peneliti MIT telah mengembangkan sistem berbasis AI yang memungkinkan para ilmuwan untuk dengan cepat melakukan segmentasi pada set data pencitraan biomedis baru dengan mengklik, mencoret-coret, atau menggambar kotak pada gambar. Model AI menggunakan interaksi tersebut untuk memprediksi segmentasi.

Semakin banyak gambar yang ditandai pengguna, jumlah interaksi yang diperlukan akan berkurang, dan akhirnya mencapai nol. Model kemudian dapat melakukan segmentasi gambar baru secara akurat tanpa input tambahan dari pengguna.

Hal ini dimungkinkan karena arsitektur model dirancang khusus untuk memanfaatkan informasi dari citra yang telah disegmentasi sebelumnya guna membuat prediksi untuk citra selanjutnya. Berbeda dengan model segmentasi citra medis lainnya, sistem ini memungkinkan pengguna untuk melakukan segmentasi seluruh dataset tanpa harus mengulang pekerjaan untuk setiap citra.

Selain itu, alat interaktif ini tidak memerlukan set data yang telah disegmentasi sebelumnya untuk pelatihan, sehingga pengguna tidak memerlukan keahlian pembelajaran mesin atau sumber daya komputasi yang kompleks. Mereka dapat menggunakan sistem untuk tugas segmentasi baru tanpa harus melatih ulang model.

Dalam jangka panjang, alat ini dapat mempercepat penelitian pengobatan baru dan mengurangi biaya uji klinis serta penelitian medis. Alat ini juga dapat digunakan oleh dokter untuk meningkatkan efisiensi aplikasi klinis, seperti perencanaan perawatan radiasi.

"Banyak ilmuwan mungkin hanya mampu melakukan segmentasi beberapa gambar per hari untuk penelitian mereka karena segmentasi manual terlalu memakan waktu. Kami berharap sistem ini akan membuka peluang ilmiah baru dengan memungkinkan peneliti klinis melakukan studi yang sebelumnya tidak dapat mereka lakukan karena kurangnya alat yang efektif," ujar Hallee Wong, mahasiswa PhD di bidang teknik elektro dan ilmu komputer, penulis utama makalah yang memperkenalkan model tersebut.

Optimasi segmen

Saat ini ada dua metode utama yang digunakan peneliti untuk melakukan segmentasi kumpulan gambar medis baru:

Segmentasi interaktif: Pengguna memasukkan gambar ke dalam sistem AI dan menandai area yang diinginkan. Model memprediksi segmen berdasarkan interaksi tersebut. Alat yang sebelumnya dikembangkan oleh tim MIT, ScribblePrompt, memungkinkan hal ini dilakukan, tetapi harus diulang untuk setiap gambar baru.

Segmentasi Otomatis Berbasis Tugas : Bangun model AI khusus untuk mengotomatiskan segmentasi. Metode ini memerlukan segmentasi ratusan gambar secara manual untuk membuat set data pelatihan, lalu melatih model pembelajaran mesin. Setiap kali tugas baru muncul, pengguna harus memulai seluruh proses kompleks ini lagi, dan jika modelnya salah, tidak ada cara untuk mengeditnya secara langsung.

Sistem baru, MultiverSeg, menggabungkan keunggulan kedua dunia. Sistem ini memprediksi segmen untuk gambar baru berdasarkan interaksi (seperti coretan), tetapi juga menyimpan setiap gambar yang tersegmentasi ke dalam set konteks untuk referensi selanjutnya.

Saat pengguna mengunggah foto baru dan menandainya, model ini mengandalkan set konteks untuk membuat prediksi yang lebih akurat dengan lebih sedikit usaha. Desain arsitekturnya memungkinkan set konteks dengan ukuran berapa pun, menjadikan alat ini fleksibel untuk berbagai aplikasi.

"Pada titik tertentu, untuk banyak tugas, Anda tidak perlu memberikan interaksi tambahan. Jika ada cukup banyak contoh dalam set konteks, model dapat memprediksi segmen tersebut secara akurat," jelas Wong.

Model ini dilatih pada beragam set data untuk memastikan prediksi ditingkatkan secara bertahap berdasarkan masukan pengguna. Pengguna tidak perlu melatih ulang model untuk data baru - cukup muat citra medis baru dan mulai memberi label.

Dalam uji perbandingan dengan alat canggih lainnya, MultiverSeg unggul dalam efisiensi dan akurasi.

Lebih sedikit pekerjaan, hasil lebih baik

Berbeda dengan alat yang sudah ada, MultiverSeg membutuhkan lebih sedikit input per gambar. Pada gambar ke-9, hanya dibutuhkan 2 klik untuk menghasilkan segmentasi yang lebih akurat dibandingkan model khusus tugas.

Dengan beberapa jenis gambar seperti sinar-X, pengguna mungkin hanya perlu mengelompokkan 1-2 gambar secara manual sebelum model cukup akurat untuk memprediksi sisanya.

Interaktivitas memungkinkan pengguna untuk memodifikasi prediksi, mengulanginya hingga mencapai akurasi yang diinginkan. Dibandingkan dengan sistem sebelumnya, MultiverSeg mencapai akurasi 90% hanya dengan 2/3 goresan dan 3/4 klik.

"Dengan MultiverSeg, pengguna selalu dapat menambahkan interaksi untuk menyempurnakan prediksi AI. Ini tetap mempercepat proses secara signifikan karena pengeditan jauh lebih cepat daripada memulai dari awal," tambah Wong.

Di masa mendatang, tim ingin menguji alat tersebut dalam praktik klinis, menyempurnakannya berdasarkan umpan balik, dan memperluas kemampuan segmentasinya ke pencitraan biomedis 3D.

Penelitian ini didukung sebagian oleh Quanta Computer, Inc., Institut Kesehatan Nasional AS (NIH), dan perangkat keras dari Pusat Ilmu Hayati Massachusetts.

(Sumber: Berita MIT)

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