Imagem da lição 90.png
Aplicativo de IA auxilia no diagnóstico de imagens médicas . Foto: Midjouney

Anotar regiões de interesse em imagens médicas, um processo conhecido como segmentação, geralmente é o primeiro passo que os pesquisadores clínicos dão ao conduzir um novo estudo envolvendo imagens biomédicas.

Por exemplo, para determinar como o tamanho do hipocampo de um paciente muda com a idade, os cientistas precisam mapear cada hipocampo em uma série de exames cerebrais. Dadas as muitas estruturas e tipos de imagens, esse costuma ser um processo manual demorado, especialmente quando as regiões de interesse são mal delimitadas.

Para simplificar esse processo, pesquisadores do MIT desenvolveram um sistema baseado em IA que permite aos cientistas segmentar rapidamente novos conjuntos de dados de imagens biomédicas clicando, rabiscando ou desenhando caixas nas imagens. O modelo de IA usa essas interações para prever a segmentação.

À medida que o usuário marca mais imagens, o número de interações necessárias diminui, chegando a zero. O modelo pode então segmentar novas imagens com precisão, sem nenhuma intervenção adicional do usuário.

Isso é possível porque a arquitetura do modelo foi projetada especificamente para aproveitar informações de imagens segmentadas anteriormente e fazer previsões para imagens subsequentes. Ao contrário de outros modelos de segmentação de imagens médicas, este sistema permite que os usuários segmentem todo o conjunto de dados sem precisar repetir o trabalho para cada imagem.

Além disso, esta ferramenta interativa não requer um conjunto de dados pré-segmentado para treinamento, portanto, os usuários não precisam de conhecimentos em aprendizado de máquina ou recursos computacionais complexos. Eles podem usar o sistema para uma nova tarefa de segmentação sem precisar treinar novamente o modelo.

A longo prazo, a ferramenta poderá acelerar a pesquisa de novos tratamentos e reduzir os custos de ensaios clínicos e pesquisas médicas. Também poderá ser usada por médicos para melhorar a eficiência de aplicações clínicas, como o planejamento de tratamentos de radiação.

"Muitos cientistas conseguem segmentar apenas algumas imagens por dia para suas pesquisas, pois a segmentação manual consome muito tempo. Esperamos que este sistema abra novas oportunidades científicas, permitindo que pesquisadores clínicos conduzam estudos que antes não conseguiam realizar devido à falta de ferramentas eficazes", disse Hallee Wong, doutoranda em engenharia elétrica e ciência da computação, autora principal de um artigo que apresenta o modelo.

Otimização de segmentos

Atualmente, existem dois métodos principais que os pesquisadores usam para segmentar novos conjuntos de imagens médicas:

Segmentação interativa: um usuário insere uma imagem no sistema de IA e marca regiões de interesse. O modelo prevê um segmento com base nessas interações. Uma ferramenta desenvolvida anteriormente pela equipe do MIT, o ScribblePrompt, permite isso, mas deve ser repetido para cada nova imagem.

Segmentação Automática Baseada em Tarefas : Crie um modelo de IA especializado para automatizar a segmentação. Este método requer a segmentação manual de centenas de imagens para criar um conjunto de dados de treinamento e, em seguida, treinar o modelo de aprendizado de máquina. Cada vez que surge uma nova tarefa, o usuário precisa reiniciar todo esse processo complexo e, se o modelo estiver incorreto, não há como editá-lo diretamente.

O novo sistema, MultiverSeg, combina o melhor dos dois mundos. Ele prevê um segmento para uma nova imagem com base em interações (como rabiscos), mas também salva cada imagem segmentada em um conjunto de contexto para referência posterior.

À medida que os usuários carregam novas fotos e as marcam, o modelo se baseia no conjunto de contexto para fazer previsões mais precisas com menos trabalho. O design arquitetônico permite conjuntos de contexto de qualquer tamanho, tornando a ferramenta flexível para diversas aplicações.

"Em algum momento, para muitas tarefas, você não precisará fornecer nenhuma interação adicional. Se houver exemplos suficientes no conjunto de contexto, o modelo poderá prever o segmento com precisão por conta própria", explica Wong.

O modelo é treinado em diversos conjuntos de dados para garantir que as previsões sejam aprimoradas gradativamente com base no feedback do usuário. Os usuários não precisam treinar novamente o modelo para novos dados — basta carregar novas imagens médicas e começar a rotular.

Em testes de comparação com outras ferramentas de última geração, o MultiverSeg supera em eficiência e precisão.

Menos trabalho, melhores resultados

Ao contrário das ferramentas existentes, o MultiverSeg requer menos entrada por imagem. Na 9ª imagem, são necessários apenas 2 cliques para gerar uma segmentação mais precisa do que um modelo específico para uma tarefa.

Com alguns tipos de imagens, como raios X, o usuário pode precisar segmentar manualmente apenas 1 ou 2 imagens antes que o modelo seja preciso o suficiente para prever o restante.

A interatividade permite que os usuários modifiquem as previsões, iterando até atingirem a precisão desejada. Comparado ao sistema anterior, o MultiverSeg atingiu 90% de precisão com apenas 2/3 dos movimentos e 3/4 dos cliques.

"Com o MultiverSeg, os usuários podem adicionar interações a qualquer momento para refinar as previsões da IA. Isso ainda acelera significativamente o processo, pois a edição é muito mais rápida do que começar do zero", acrescentou Wong.

No futuro, a equipe quer testar a ferramenta na prática clínica, melhorá-la com base no feedback e estender seus recursos de segmentação para imagens biomédicas 3D.

A pesquisa foi apoiada em parte pela Quanta Computer, Inc., pelos Institutos Nacionais de Saúde dos EUA (NIH) e por hardware do Massachusetts Life Sciences Center.

(Fonte: MIT News)

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