Imej pelajaran 90.png
Aplikasi AI menyokong diagnosis imej perubatan . Foto: Midjourney

Menganotasi kawasan yang diminati dalam imej perubatan, proses yang dikenali sebagai segmentasi, selalunya merupakan langkah pertama yang diambil oleh penyelidik klinikal apabila menjalankan kajian baharu yang melibatkan pengimejan bioperubatan.

Sebagai contoh, untuk menentukan bagaimana saiz hippocampus pesakit berubah apabila mereka berumur, saintis mesti memetakan setiap hippocampus dalam satu siri imbasan otak. Memandangkan banyak struktur dan jenis pengimejan, ini selalunya merupakan proses manual yang memakan masa, terutamanya apabila kawasan yang diminati tidak ditandakan dengan baik.

Untuk memudahkan proses ini, penyelidik MIT telah membangunkan sistem berasaskan AI yang membolehkan saintis membahagikan set data pengimejan bioperubatan baharu dengan cepat dengan mengklik, mencoret atau melukis kotak pada imej. Model AI menggunakan interaksi tersebut untuk meramalkan pembahagian.

Apabila pengguna menandai lebih banyak imej, bilangan interaksi yang diperlukan berkurangan, akhirnya jatuh kepada sifar. Model kemudiannya boleh membahagikan imej baharu dengan tepat tanpa sebarang input tambahan daripada pengguna.

Ini mungkin kerana seni bina model direka khusus untuk memanfaatkan maklumat daripada imej yang telah dibahagikan sebelum ini untuk membuat ramalan bagi imej seterusnya. Tidak seperti model pembahagian imej perubatan lain, sistem ini membenarkan pengguna membahagikan keseluruhan set data tanpa perlu mengulangi kerja untuk setiap imej.

Selain itu, alat interaktif ini tidak memerlukan set data pra-segmen untuk melatih, jadi pengguna tidak memerlukan kepakaran pembelajaran mesin atau sumber pengiraan yang kompleks. Mereka boleh menggunakan sistem untuk tugas pembahagian baharu tanpa perlu melatih semula model.

Dalam jangka panjang, alat itu boleh mempercepatkan penyelidikan ke dalam rawatan baharu dan mengurangkan kos ujian klinikal dan penyelidikan perubatan. Ia juga boleh digunakan oleh doktor untuk meningkatkan kecekapan aplikasi klinikal, seperti perancangan rawatan sinaran.

"Ramai saintis mungkin hanya boleh membahagikan beberapa imej setiap hari untuk penyelidikan mereka kerana segmentasi manual terlalu memakan masa. Kami berharap sistem ini akan membuka peluang saintifik baharu dengan membenarkan penyelidik klinikal menjalankan kajian yang tidak dapat mereka lakukan sebelum ini kerana kekurangan alat yang berkesan," kata Hallee Wong, pelajar PhD dalam bidang kejuruteraan elektrik dan sains komputer, pengarang utama kertas kerja memperkenalkan model itu.

Pengoptimuman segmen

Pada masa ini terdapat dua kaedah utama yang penyelidik gunakan untuk membahagikan set imej perubatan baharu:

Pembahagian interaktif: Pengguna memasukkan imej ke dalam sistem AI dan menandakan kawasan yang diminati. Model meramalkan segmen berdasarkan interaksi tersebut. Alat yang dibangunkan sebelum ini oleh pasukan MIT, ScribblePrompt, membenarkan ini dilakukan, tetapi ia mesti diulang untuk setiap imej baharu.

Segmentasi Automatik Berasaskan Tugas : Bina model AI khusus untuk mengautomasikan pembahagian. Kaedah ini memerlukan pembahagian ratusan imej secara manual untuk mencipta set data latihan, kemudian melatih model pembelajaran mesin. Setiap kali tugasan baharu timbul, pengguna perlu memulakan keseluruhan proses kompleks ini sekali lagi, dan jika model itu salah, tiada cara untuk mengeditnya secara langsung.

Sistem baharu, MultiverSeg, menggabungkan yang terbaik dari kedua-dua dunia. Ia meramalkan segmen untuk imej baharu berdasarkan interaksi (seperti coretan) tetapi juga menyimpan setiap imej tersegmen ke set konteks untuk rujukan kemudian.

Apabila pengguna memuat naik foto baharu dan menandakannya, model ini bergantung pada set konteks untuk membuat ramalan yang lebih tepat dengan kurang kerja. Reka bentuk seni bina membenarkan set konteks dalam sebarang saiz, menjadikan alat itu fleksibel untuk banyak aplikasi.

"Pada satu ketika, untuk banyak tugas, anda tidak perlu menyediakan sebarang interaksi tambahan. Jika terdapat contoh yang mencukupi dalam set konteks, model itu boleh meramalkan segmen itu sendiri dengan tepat," jelas Wong.

Model ini dilatih pada set data yang pelbagai untuk memastikan ramalan dipertingkatkan secara berperingkat berdasarkan maklum balas pengguna. Pengguna tidak perlu melatih semula model untuk data baharu - cuma muatkan imej perubatan baharu dan mulakan pelabelan.

Sebagai perbandingan ujian dengan alat canggih yang lain, MultiverSeg mengatasi prestasi dalam kecekapan dan ketepatan.

Kurang kerja, hasil yang lebih baik

Tidak seperti alat sedia ada, MultiverSeg memerlukan kurang input setiap imej. Menjelang imej ke-9, ia hanya memerlukan 2 klik untuk menjana pembahagian yang lebih tepat daripada model khusus tugasan.

Dengan beberapa jenis imej seperti X-ray, pengguna mungkin hanya perlu membahagikan 1-2 imej secara manual sebelum model cukup tepat untuk meramalkan yang lain.

Interaktiviti membolehkan pengguna mengubah suai ramalan, berulang sehingga mereka mencapai ketepatan yang dikehendaki. Berbanding dengan sistem sebelumnya, MultiverSeg mencapai ketepatan 90% dengan hanya 2/3 pukulan dan 3/4 daripada klik.

"Dengan MultiverSeg, pengguna sentiasa boleh menambah interaksi untuk memperhalusi ramalan AI. Ini masih mempercepatkan proses dengan ketara kerana penyuntingan jauh lebih pantas daripada bermula dari awal," tambah Wong.

Pada masa hadapan, pasukan itu ingin menguji alat dalam amalan klinikal, menambah baik berdasarkan maklum balas dan memperluaskan keupayaan pembahagiannya kepada pengimejan bioperubatan 3D.

Penyelidikan itu disokong sebahagiannya oleh Quanta Computer, Inc., Institut Kesihatan Nasional A.S. (NIH), dan perkakasan dari Pusat Sains Hayat Massachusetts.

(Sumber: MIT News)

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