Imagine cu lecția 90.png
Aplicația de inteligență artificială susține diagnosticarea prin imagini medicale . Foto: Midjourney

Adnotarea regiunilor de interes în imaginile medicale, un proces cunoscut sub numele de segmentare, este adesea primul pas pe care cercetătorii clinicieni îl fac atunci când efectuează un nou studiu care implică imagistica biomedicală.

De exemplu, pentru a determina cum se modifică dimensiunea hipocampului unui pacient pe măsură ce acesta îmbătrânește, oamenii de știință trebuie să cartografieze fiecare hipocamp într-o serie de scanări cerebrale. Având în vedere numeroasele structuri și tipuri de imagistică, acesta este adesea un proces manual care consumă mult timp, mai ales atunci când regiunile de interes sunt slab delimitate.

Pentru a simplifica acest proces, cercetătorii de la MIT au dezvoltat un sistem bazat pe inteligență artificială care permite oamenilor de știință să segmenteze rapid noi seturi de date de imagistică biomedicală prin clicuri, mâzgălituri sau desenarea unor casete pe imagini. Modelul de inteligență artificială folosește aceste interacțiuni pentru a prezice segmentarea.

Pe măsură ce utilizatorul etichetează mai multe imagini, numărul de interacțiuni necesare scade, ajungând în cele din urmă la zero. Modelul poate apoi segmenta cu precizie imaginile noi fără nicio intervenție suplimentară din partea utilizatorului.

Acest lucru este posibil deoarece arhitectura modelului este special concepută pentru a valorifica informațiile din imaginile segmentate anterior pentru a face predicții pentru imaginile ulterioare. Spre deosebire de alte modele de segmentare a imaginilor medicale, acest sistem permite utilizatorilor să segmenteze întregul set de date fără a fi nevoie să repete munca pentru fiecare imagine.

În plus, acest instrument interactiv nu necesită un set de date presegmentat pentru antrenament, astfel încât utilizatorii nu au nevoie de expertiză în învățare automată sau de resurse computaționale complexe. Aceștia pot utiliza sistemul pentru o nouă sarcină de segmentare fără a fi nevoie să reantreneze modelul.

Pe termen lung, instrumentul ar putea accelera cercetarea noilor tratamente și ar putea reduce costurile studiilor clinice și ale cercetării medicale. De asemenea, ar putea fi utilizat de medici pentru a îmbunătăți eficiența aplicațiilor clinice, cum ar fi planificarea tratamentului cu radiații.

„Mulți oameni de știință pot segmenta doar câteva imagini pe zi pentru cercetarea lor, deoarece segmentarea manuală necesită prea mult timp. Sperăm că acest sistem va deschide noi oportunități științifice, permițând cercetătorilor clinici să efectueze studii pe care nu le puteau face înainte din cauza lipsei de instrumente eficiente”, a declarat Hallee Wong, doctorandă în inginerie electrică și informatică, autoarea principală a unei lucrări care prezintă modelul.

Optimizarea segmentelor

În prezent, există două metode principale pe care cercetătorii le folosesc pentru a segmenta seturi noi de imagini medicale:

Segmentare interactivă: Un utilizator introduce o imagine în sistemul de inteligență artificială și marchează regiunile de interes. Modelul prezice un segment pe baza acestor interacțiuni. Un instrument dezvoltat anterior de echipa MIT, ScribblePrompt, permite acest lucru, dar trebuie repetat pentru fiecare imagine nouă.

Segmentare automată bazată pe sarcini : Construiți un model specializat de inteligență artificială pentru a automatiza segmentarea. Această metodă necesită segmentarea manuală a sutelor de imagini pentru a crea un set de date de antrenament, apoi antrenarea modelului de învățare automată. De fiecare dată când apare o sarcină nouă, utilizatorul trebuie să reia întregul proces complex, iar dacă modelul este greșit, nu există nicio modalitate de a-l edita direct.

Noul sistem, MultiverSeg, combină ce e mai bun din ambele lumi. Prezice un segment pentru o imagine nouă pe baza interacțiunilor (cum ar fi mâzgălitul), dar salvează și fiecare imagine segmentată într-un context stabilit pentru referințe ulterioare.

Pe măsură ce utilizatorii încarcă fotografii noi și le marchează, modelul se bazează pe setul de contexte pentru a face predicții mai precise cu mai puțin efort. Designul arhitectural permite seturi de contexte de orice dimensiune, ceea ce face instrumentul flexibil pentru multe aplicații.

„La un moment dat, pentru multe sarcini, nu va mai fi nevoie să oferiți nicio interacțiune suplimentară. Dacă există suficiente exemple în setul de context, modelul poate prezice cu exactitate segmentul de unul singur”, explică Wong.

Modelul este antrenat pe diverse seturi de date pentru a asigura îmbunătățirea treptată a predicțiilor pe baza feedback-ului utilizatorilor. Utilizatorii nu trebuie să reantreneze modelul pentru date noi - pur și simplu încarcă imagini medicale noi și încep etichetarea.

În testele comparative cu alte instrumente de ultimă generație, MultiverSeg depășește performanța în ceea ce privește eficiența și precizia.

Mai puțină muncă, rezultate mai bune

Spre deosebire de instrumentele existente, MultiverSeg necesită mai puține date de intrare per imagine. Până la a 9-a imagine, are nevoie doar de 2 clicuri pentru a genera o segmentare mai precisă decât un model specific sarcinii.

În cazul unor tipuri de imagini, cum ar fi radiografiile, utilizatorul poate avea nevoie doar să segmenteze manual 1-2 imagini înainte ca modelul să fie suficient de precis pentru a prezice restul.

Interactivitatea permite utilizatorilor să modifice predicțiile, iterând până când ating precizia dorită. Comparativ cu sistemul anterior, MultiverSeg a atins o precizie de 90% cu doar 2/3 din mișcări și 3/4 din clicuri.

„Cu MultiverSeg, utilizatorii pot adăuga oricând interacțiuni pentru a rafina predicțiile AI. Acest lucru accelerează în continuare semnificativ procesul, deoarece editarea este mult mai rapidă decât dacă ai începe de la zero”, a adăugat Wong.

În viitor, echipa dorește să testeze instrumentul în practica clinică, să îl îmbunătățească pe baza feedback-ului primit și să extindă capacitățile sale de segmentare la imagistica biomedicală 3D.

Cercetarea a fost susținută parțial de Quanta Computer, Inc., Institutele Naționale de Sănătate din SUA (NIH) și de echipamente de la Centrul de Științe ale Vieții din Massachusetts.

(Sursa: MIT News)

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