ລະບົບ AI ໃຫມ່ຊ່ວຍເລັ່ງການຄົ້ນຄວ້າທາງດ້ານການຊ່ວຍ

ໂດຍການອະນຸຍາດໃຫ້ຄໍາອະທິບາຍຢ່າງໄວວາຂອງພາກພື້ນທີ່ມີຄວາມສົນໃຈໃນຮູບພາບທາງການແພດ, ເຄື່ອງມືສາມາດຊ່ວຍໃຫ້ນັກວິທະຍາສາດຄົ້ນຄ້ວາການປິ່ນປົວໃຫມ່ຫຼືແຜນທີ່ຄວາມຄືບຫນ້າຂອງພະຍາດ.

ຄໍາຮ້ອງສະຫມັກ AI ສະຫນັບສະຫນູນການວິນິດໄສຮູບພາບ ທາງການແພດ . ຮູບພາບ: Midjourney

ການອະທິບາຍກ່ຽວກັບພາກພື້ນທີ່ມີຄວາມສົນໃຈໃນຮູບພາບທາງການແພດ, ຂະບວນການທີ່ເອີ້ນວ່າການແບ່ງສ່ວນ, ມັກຈະເປັນຂັ້ນຕອນທໍາອິດທີ່ນັກຄົ້ນຄວ້າທາງດ້ານຄລີນິກປະຕິບັດໃນເວລາທີ່ດໍາເນີນການສຶກສາໃຫມ່ທີ່ກ່ຽວຂ້ອງກັບຮູບພາບຊີວະພາບ.

ຕົວຢ່າງ, ເພື່ອກໍານົດວ່າຂະຫນາດຂອງ hippocampus ຂອງຄົນເຈັບມີການປ່ຽນແປງແນວໃດເມື່ອພວກເຂົາມີອາຍຸ, ນັກວິທະຍາສາດ ຕ້ອງວາງແຜນການອອກແຕ່ລະ hippocampus ໃນຊຸດຂອງການສະແກນສະຫມອງ. ເນື່ອງຈາກໂຄງສ້າງແລະປະເພດຂອງການຖ່າຍຮູບຫຼາຍ, ນີ້ມັກຈະເປັນຂະບວນການຄູ່ມືທີ່ໃຊ້ເວລາຫຼາຍ, ໂດຍສະເພາະໃນເວລາທີ່ພາກພື້ນທີ່ມີຄວາມສົນໃຈໄດ້ຖືກ demarcated ບໍ່ດີ.

ເພື່ອເຮັດໃຫ້ຂະບວນການນີ້ງ່າຍຂຶ້ນ, ນັກຄົ້ນຄວ້າ MIT ໄດ້ພັດທະນາລະບົບ AI ທີ່ຊ່ວຍໃຫ້ນັກວິທະຍາສາດສາມາດແບ່ງຊຸດຂໍ້ມູນການຖ່າຍພາບຊີວະພາບໃໝ່ໄດ້ຢ່າງວ່ອງໄວໂດຍການຄລິກ, ແຕ້ມຮູບ, ຫຼືແຕ້ມກ່ອງໃສ່ຮູບພາບຕ່າງໆ. ຮູບແບບ AI ນໍາໃຊ້ການໂຕ້ຕອບເຫຼົ່ານັ້ນເພື່ອຄາດຄະເນການແບ່ງສ່ວນ.

ເມື່ອຜູ້ໃຊ້ແທັກຮູບພາບຫຼາຍຂຶ້ນ, ຈໍານວນການໂຕ້ຕອບທີ່ຕ້ອງການຫຼຸດລົງ, ໃນທີ່ສຸດກໍ່ຈະຫຼຸດລົງເປັນສູນ. ຮູບແບບດັ່ງກ່າວສາມາດແບ່ງສ່ວນຮູບພາບໃຫມ່ໄດ້ຢ່າງຖືກຕ້ອງໂດຍບໍ່ມີການປ້ອນຂໍ້ມູນເພີ່ມເຕີມຈາກຜູ້ໃຊ້.

ນີ້ເປັນໄປໄດ້ເພາະວ່າສະຖາປັດຕະຍະກໍາແບບຈໍາລອງໄດ້ຖືກອອກແບບໂດຍສະເພາະເພື່ອນໍາເອົາຂໍ້ມູນຈາກຮູບພາບທີ່ຖືກແບ່ງອອກກ່ອນຫນ້ານີ້ເພື່ອເຮັດໃຫ້ການຄາດຄະເນສໍາລັບຮູບພາບຕໍ່ໄປ. ບໍ່ເຫມືອນກັບຮູບແບບການແບ່ງສ່ວນຮູບພາບທາງການແພດອື່ນໆ, ລະບົບນີ້ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດແບ່ງຊຸດຂໍ້ມູນທັງຫມົດໄດ້ໂດຍບໍ່ຕ້ອງເຮັດຊ້ໍາອີກສໍາລັບແຕ່ລະຮູບພາບ.

ນອກຈາກນັ້ນ, ເຄື່ອງມືແບບໂຕ້ຕອບນີ້ບໍ່ຈໍາເປັນຕ້ອງມີຊຸດຂໍ້ມູນເບື້ອງຕົ້ນເພື່ອຝຶກອົບຮົມ, ດັ່ງນັ້ນຜູ້ໃຊ້ບໍ່ຈໍາເປັນຕ້ອງມີຄວາມຊໍານານໃນການຮຽນຮູ້ເຄື່ອງຈັກຫຼືຊັບພະຍາກອນຄອມພິວເຕີ້ທີ່ສັບສົນ. ພວກເຂົາສາມາດໃຊ້ລະບົບສໍາລັບວຽກງານການແບ່ງສ່ວນໃຫມ່ໂດຍບໍ່ຈໍາເປັນຕ້ອງຝຶກອົບຮົມແບບຈໍາລອງ.

ໃນໄລຍະຍາວ, ເຄື່ອງມືດັ່ງກ່າວສາມາດເລັ່ງການຄົ້ນຄວ້າການປິ່ນປົວໃຫມ່ແລະຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍຂອງການທົດລອງທາງດ້ານການຊ່ວຍແລະການຄົ້ນຄວ້າທາງການແພດ. ມັນຍັງສາມາດຖືກນໍາໃຊ້ໂດຍທ່ານຫມໍເພື່ອປັບປຸງປະສິດທິພາບຂອງການນໍາໃຊ້ທາງດ້ານການຊ່ວຍ, ເຊັ່ນ: ການວາງແຜນການປິ່ນປົວລັງສີ.

"ນັກວິທະຍາສາດຫຼາຍຄົນອາດຈະສາມາດແບ່ງຮູບພາບສອງສາມຮູບຕໍ່ມື້ສໍາລັບການຄົ້ນຄວ້າຂອງເຂົາເຈົ້າເພາະວ່າການແບ່ງສ່ວນຄູ່ມືແມ່ນໃຊ້ເວລາເກີນໄປ. ພວກເຮົາຫວັງວ່າລະບົບນີ້ຈະເປີດໂອກາດທາງວິທະຍາສາດໃຫມ່ໂດຍອະນຸຍາດໃຫ້ນັກຄົ້ນຄວ້າທາງດ້ານຄລີນິກເຮັດການສຶກສາທີ່ພວກເຂົາບໍ່ສາມາດເຮັດໄດ້ກ່ອນຍ້ອນການຂາດເຄື່ອງມືທີ່ມີປະສິດທິພາບ," Hallee Wong, ນັກສຶກສາປະລິນຍາເອກດ້ານວິສະວະກໍາໄຟຟ້າແລະວິທະຍາສາດຄອມພິວເຕີ, ຜູ້ນໍາຂອງເອກະສານ intro.

ການເພີ່ມປະສິດທິພາບສ່ວນ

ໃນປັດຈຸບັນມີສອງວິທີຕົ້ນຕໍທີ່ນັກຄົ້ນຄວ້າໃຊ້ເພື່ອແບ່ງຊຸດຮູບພາບທາງການແພດໃຫມ່:

ການແບ່ງສ່ວນແບບໂຕ້ຕອບ: ຜູ້ໃຊ້ປ້ອນຮູບພາບເຂົ້າໄປໃນລະບົບ AI ​​ແລະຫມາຍພາກພື້ນທີ່ມີຄວາມສົນໃຈ. ຮູບແບບຄາດການສ່ວນຫນຶ່ງໂດຍອີງໃສ່ການໂຕ້ຕອບເຫຼົ່ານັ້ນ. ເຄື່ອງມືທີ່ເຄີຍພັດທະນາໂດຍທີມງານ MIT, ScribblePrompt, ອະນຸຍາດໃຫ້ເຮັດໄດ້, ແຕ່ມັນຕ້ອງຊ້ໍາສໍາລັບແຕ່ລະຮູບພາບໃຫມ່.

Task-Based Automatic Segmentation : ສ້າງແບບຈໍາລອງ AI ພິເສດເພື່ອເຮັດໃຫ້ການແບ່ງສ່ວນອັດຕະໂນມັດ. ວິທີການນີ້ຮຽກຮ້ອງໃຫ້ມີການແບ່ງສ່ວນຫຼາຍຮ້ອຍຮູບພາບດ້ວຍຕົນເອງເພື່ອສ້າງຊຸດຂໍ້ມູນການຝຶກອົບຮົມ, ຫຼັງຈາກນັ້ນຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ. ທຸກໆຄັ້ງທີ່ວຽກງານໃຫມ່ເກີດຂື້ນ, ຜູ້ໃຊ້ຕ້ອງເລີ່ມຕົ້ນຂະບວນການສະລັບສັບຊ້ອນທັງຫມົດນີ້ອີກເທື່ອຫນຶ່ງ, ແລະຖ້າຮູບແບບຜິດພາດ, ບໍ່ມີວິທີທີ່ຈະແກ້ໄຂມັນໂດຍກົງ.

ລະບົບໃຫມ່, MultiverSeg, ປະສົມປະສານທີ່ດີທີ່ສຸດຂອງໂລກທັງສອງ. ມັນຄາດຄະເນພາກສ່ວນສໍາລັບຮູບພາບໃຫມ່ໂດຍອີງໃສ່ປະຕິສໍາພັນ (ເຊັ່ນ: doodling) ແຕ່ຍັງບັນທຶກແຕ່ລະພາກສ່ວນຂອງຮູບພາບທີ່ກໍານົດໄວ້ສໍາລັບການອ້າງອີງຕໍ່ມາ.

ເມື່ອຜູ້ໃຊ້ອັບໂຫລດຮູບພາບໃໝ່ ແລະໝາຍເຖິງພວກມັນ, ຮູບແບບດັ່ງກ່າວໄດ້ອາໄສບໍລິບົດທີ່ກຳນົດໄວ້ເພື່ອເຮັດໃຫ້ການຄາດເດົາທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນໂດຍມີວຽກໜ້ອຍລົງ. ການອອກແບບສະຖາປັດຕະຍະກໍາອະນຸຍາດໃຫ້ສໍາລັບຊຸດບໍລິບົດຂອງຂະຫນາດໃດກໍ່ຕາມ, ເຮັດໃຫ້ເຄື່ອງມືມີຄວາມຍືດຫຍຸ່ນສໍາລັບຄໍາຮ້ອງສະຫມັກຈໍານວນຫຼາຍ.

ທ່ານ Wong ອະທິບາຍວ່າ "ໃນບາງຈຸດ, ສໍາລັບຫຼາຍໆວຽກງານ, ທ່ານບໍ່ຈໍາເປັນຕ້ອງສະຫນອງການໂຕ້ຕອບເພີ່ມເຕີມ.

ຮູບແບບດັ່ງກ່າວແມ່ນໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍເພື່ອຮັບປະກັນວ່າການຄາດຄະເນໄດ້ຖືກປັບປຸງເພີ່ມຂຶ້ນໂດຍອີງໃສ່ຄໍາຄິດເຫັນຂອງຜູ້ໃຊ້. ຜູ້ໃຊ້ບໍ່ຈໍາເປັນຕ້ອງຝຶກອົບຮົມຮູບແບບສໍາລັບຂໍ້ມູນໃຫມ່ - ພຽງແຕ່ໂຫລດຮູບພາບທາງການແພດໃຫມ່ແລະເລີ່ມຕົ້ນການຕິດສະຫຼາກ.

ໃນການທົດສອບການປຽບທຽບກັບເຄື່ອງມືທີ່ທັນສະໄຫມຂອງສິນລະປະອື່ນໆ, MultiverSeg ດີກວ່າໃນປະສິດທິພາບແລະຄວາມຖືກຕ້ອງ.

ເຮັດວຽກຫນ້ອຍ, ຜົນໄດ້ຮັບທີ່ດີກວ່າ

ບໍ່ຄືກັບເຄື່ອງມືທີ່ມີຢູ່, MultiverSeg ຕ້ອງການການປ້ອນຂໍ້ມູນໜ້ອຍລົງຕໍ່ຮູບ. ໂດຍຮູບພາບທີ 9, ມັນຕ້ອງການພຽງແຕ່ 2 ຄລິກເພື່ອສ້າງການແບ່ງສ່ວນທີ່ຖືກຕ້ອງກວ່າຮູບແບບສະເພາະໜ້າວຽກ.

ດ້ວຍບາງປະເພດຂອງຮູບພາບເຊັ່ນ X-rays, ຜູ້ໃຊ້ອາດຈະຕ້ອງການພຽງແຕ່ແບ່ງສ່ວນ 1-2 ຮູບພາບດ້ວຍຕົນເອງກ່ອນທີ່ຕົວແບບຈະຖືກຕ້ອງພຽງພໍທີ່ຈະຄາດຄະເນສ່ວນທີ່ເຫຼືອ.

Interactivity ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດດັດແປງການຄາດເດົາ, iterating ຈົນກ່ວາພວກເຂົາບັນລຸຄວາມຖືກຕ້ອງທີ່ຕ້ອງການ. ເມື່ອປຽບທຽບກັບລະບົບທີ່ຜ່ານມາ, MultiverSeg ບັນລຸຄວາມຖືກຕ້ອງ 90% ໂດຍມີພຽງແຕ່ 2/3 ຂອງເສັ້ນເລືອດຕັນໃນແລະ 3/4 ຂອງການຄລິກ.

"ດ້ວຍ MultiverSeg, ຜູ້ໃຊ້ສາມາດເພີ່ມການໂຕ້ຕອບເພື່ອປັບປຸງການຄາດເດົາຂອງ AI. ນີ້ຍັງເລັ່ງຂະບວນການຢ່າງຫຼວງຫຼາຍເພາະວ່າການແກ້ໄຂແມ່ນໄວກວ່າການເລີ່ມຕົ້ນຈາກຈຸດເລີ່ມຕົ້ນ," Wong ກ່າວຕື່ມວ່າ.

ໃນອະນາຄົດ, ທີມງານຕ້ອງການທົດສອບເຄື່ອງມືໃນການປະຕິບັດທາງດ້ານຄລີນິກ, ປັບປຸງໂດຍອີງໃສ່ຄໍາຕິຊົມ, ແລະຂະຫຍາຍຄວາມສາມາດໃນການແບ່ງສ່ວນຂອງມັນໄປສູ່ການຖ່າຍຮູບຊີວະພາບ 3D.

ການຄົ້ນຄວ້າດັ່ງກ່າວໄດ້ຮັບການສະໜັບສະໜູນໂດຍ Quanta Computer, Inc., ສະຖາບັນສຸຂະພາບແຫ່ງຊາດຂອງສະຫະລັດ (NIH), ແລະ ຮາດແວຈາກສູນວິທະຍາສາດຊີວິດຂອງລັດ Massachusetts.

(ແຫຼ່ງຂ່າວ: MIT News)

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