Bilde av leksjon 90.png
AI-applikasjon støtter medisinsk bildediagnostikk. Foto: Midjourney

Å annotere interesseområder i medisinske bilder, en prosess kjent som segmentering, er ofte det første trinnet kliniske forskere tar når de gjennomfører en ny studie som involverer biomedisinsk avbildning.

For eksempel, for å bestemme hvordan størrelsen på en pasients hippocampus endrer seg når de blir eldre, må forskere kartlegge hver hippocampus i en serie hjerneskanninger. Gitt de mange strukturene og typene avbildning, er dette ofte en tidkrevende manuell prosess, spesielt når interesseområdene er dårlig avgrenset.

For å forenkle denne prosessen har MIT-forskere utviklet et AI-basert system som lar forskere raskt segmentere nye biomedisinske bildedatasett ved å klikke, tegne kruseduller eller bokser på bildene. AI-modellen bruker disse interaksjonene til å forutsi segmentering.

Etter hvert som brukeren tagger flere bilder, reduseres antallet nødvendige interaksjoner, og faller til slutt til null. Modellen kan deretter segmentere nye bilder nøyaktig uten ytterligere innspill fra brukeren.

Dette er mulig fordi modellarkitekturen er spesielt utviklet for å utnytte informasjon fra tidligere segmenterte bilder for å lage prediksjoner for påfølgende bilder. I motsetning til andre medisinske bildesegmenteringsmodeller, lar dette systemet brukere segmentere hele datasettet uten å måtte gjenta arbeidet for hvert bilde.

I tillegg krever ikke dette interaktive verktøyet et forhåndssegmentert datasett for å trene, slik at brukerne ikke trenger maskinlæringsekspertise eller komplekse beregningsressurser. De kan bruke systemet til en ny segmenteringsoppgave uten å måtte trene modellen på nytt.

På lang sikt kan verktøyet akselerere forskning på nye behandlinger og redusere kostnadene ved kliniske studier og medisinsk forskning. Det kan også brukes av leger til å forbedre effektiviteten i kliniske applikasjoner, som for eksempel planlegging av strålebehandling.

«Mange forskere kan kanskje bare segmentere noen få bilder per dag for forskningen sin fordi manuell segmentering er for tidkrevende. Vi håper dette systemet vil åpne opp nye vitenskapelige muligheter ved å la kliniske forskere gjennomføre studier som de ikke kunne gjøre tidligere på grunn av mangel på effektive verktøy», sa Hallee Wong, en doktorgradsstudent i elektroteknikk og informatikk, hovedforfatter av en artikkel som introduserer modellen.

Segmentoptimalisering

Det finnes for tiden to hovedmetoder som forskere bruker for å segmentere nye sett med medisinske bilder:

Interaktiv segmentering: En bruker legger inn et bilde i AI-systemet og markerer interesseområder. Modellen forutsier et segment basert på disse interaksjonene. Et verktøy som tidligere ble utviklet av MIT-teamet, ScribblePrompt, tillater dette, men det må gjentas for hvert nytt bilde.

Oppgavebasert automatisk segmentering : Bygg en spesialisert AI-modell for å automatisere segmentering. Denne metoden krever manuell segmentering av hundrevis av bilder for å lage et treningsdatasett, og deretter trening av maskinlæringsmodellen. Hver gang en ny oppgave oppstår, må brukeren starte hele denne komplekse prosessen på nytt, og hvis modellen er feil, er det ingen måte å redigere den direkte på.

Det nye systemet, MultiverSeg, kombinerer det beste fra begge verdener. Det forutsier et segment for et nytt bilde basert på interaksjoner (som kruseduller), men lagrer også hvert segmenterte bilde i et kontekstsett for senere referanse.

Etter hvert som brukere laster opp nye bilder og merker dem opp, er modellen avhengig av kontekstsettet for å komme med mer nøyaktige forutsigelser med mindre arbeid. Den arkitektoniske utformingen tillater kontekstsett i alle størrelser, noe som gjør verktøyet fleksibelt for mange bruksområder.

«På et tidspunkt, for mange oppgaver, trenger du ikke å tilby noen ytterligere interaksjon. Hvis det er nok eksempler i kontekstsettet, kan modellen nøyaktig forutsi segmentet på egenhånd», forklarer Wong.

Modellen er trent på ulike datasett for å sikre at prediksjoner forbedres trinnvis basert på tilbakemeldinger fra brukere. Brukere trenger ikke å trene modellen på nytt for nye data – de bare laster inn nye medisinske bilder og begynner å merke dataene.

I sammenligningstester med andre toppmoderne verktøy, overgår MultiverSeg effektiviteten og nøyaktigheten.

Mindre arbeid, bedre resultater

I motsetning til eksisterende verktøy krever MultiverSeg mindre inndata per bilde. Ved det niende bildet trenger den bare to klikk for å generere en mer nøyaktig segmentering enn en oppgavespesifikk modell.

Med noen typer bilder, som røntgenbilder, trenger brukeren kanskje bare å segmentere 1–2 bilder manuelt før modellen er nøyaktig nok til å forutsi resten.

Interaktivitet lar brukere endre prediksjoner og iterere til de når ønsket nøyaktighet. Sammenlignet med det forrige systemet oppnådde MultiverSeg 90 % nøyaktighet med bare 2/3 av strekene og 3/4 av klikkene.

«Med MultiverSeg kan brukere alltid legge til interaksjoner for å forbedre AI-spådommene. Dette øker fortsatt hastigheten på prosessen betydelig fordi redigering er mye raskere enn å starte fra bunnen av», la Wong til.

I fremtiden ønsker teamet å teste verktøyet i klinisk praksis, forbedre det basert på tilbakemeldinger og utvide segmenteringsmulighetene til 3D biomedisinsk avbildning.

Forskningen ble delvis støttet av Quanta Computer, Inc., det amerikanske helseinstituttet (NIH) og maskinvare fra Massachusetts Life Sciences Center.

(Kilde: MIT News)

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