Medicinsk billeddannelse er et komplekst område, hvor det kan være svært at fortolke resultater.
AI-modeller kan hjælpe læger ved at analysere billeder, der kan indikere sygdomsindikerende anomalier.
Der er dog en hage: Disse AI-modeller kommer normalt med en enkelt løsning, når medicinske billeder i virkeligheden ofte har flere fortolkninger.
Hvis du beder fem eksperter om at skitsere et interesseområde, f.eks. en lille knude i en lungescanning, kan du ende med fem forskellige tegninger, da de alle kan have deres egen mening om, hvor knuden f.eks. starter og slutter.
For at løse dette problem har forskere fra MIT, Broad Institute of MIT Harvard og Massachusetts General Hospital skabt Tyche, et AI-system, der tager højde for tvetydigheden i medicinsk billedsegmentering.
Segmentering indebærer mærkning af specifikke pixels i et medicinsk billede, der repræsenterer vigtige strukturer, som f.eks. organer eller celler.
Marianne Rakic, ph.d.-kandidat i datalogi ved MIT og hovedforfatter til projektet undersøgelse"At have valgmuligheder kan hjælpe med at træffe beslutninger. Bare det at se, at der er usikkerhed i et medicinsk billede, kan påvirke nogens beslutninger, så det er vigtigt at tage højde for denne usikkerhed."
Tyche er opkaldt efter den græske tilfældighedsgudinde og genererer flere mulige segmenteringer for et enkelt medicinsk billede for at fange tvetydighed.
Hver segmentering fremhæver lidt forskellige regioner, så brugerne kan vælge den, der passer bedst til deres behov.
Rakic fortæller MIT-nyheder"At få flere kandidater ud og sikre, at de er forskellige fra hinanden, giver dig virkelig en fordel."
Så hvordan fungerer Tyche? Lad os dele det op i fire enkle trin:
- Læring ved hjælp af eksempler: Brugerne giver Tyche et lille sæt eksempler på billeder, kaldet et "kontekstsæt", der viser den segmenteringsopgave, de ønsker at udføre. Disse eksempler kan omfatte billeder, der er segmenteret af forskellige menneskelige eksperter, hvilket hjælper modellen med at forstå opgaven og potentialet for tvetydighed.
- Justeringer af neurale netværk: Forskerne ændrede en standard arkitektur for neurale netværk, så Tyche kunne håndtere usikkerhed. De justerede netværkets lag, så de potentielle segmenteringer, der blev genereret på hvert trin, kunne "kommunikere" med hinanden og med eksemplerne i kontekstsættet.
- Flere muligheder: Tyche er designet til at udsende flere forudsigelser baseret på et enkelt medicinsk billedinput og kontekstsættet.
- Belønning af kvalitet: Træningsprocessen blev justeret for at belønne Tyche for at producere den bedst mulige forudsigelse. Hvis brugeren beder om fem forudsigelser, kan de se alle fem medicinske billedsegmenteringer produceret af Tyche, selv om en måske er bedre.
En af Tyches største styrker er dens tilpasningsevne. Den kan påtage sig nye segmenteringsopgaver uden at skulle genoptrænes fra bunden.
Normalt bruger AI-modeller til medicinsk billedsegmentering neurale netværk, som kræver omfattende træning på store datasæt og ekspertise inden for maskinlæring.
I modsætning hertil kan Tyche bruges "out of the box" til forskellige opgaver, lige fra at spotte lungelæsioner i røntgenbilleder til at identificere hjerneabnormaliteter i MR-scanninger.
Der er gennemført adskillige undersøgelser inden for medicinsk billeddannelse med kunstig intelligens, herunder store gennembrud inden for screening for brystkræft og AI-diagnostik, der match eller endda slå læger i fortolkningen af billeder.
I fremtiden planlægger forskerteamet at udforske brugen af mere fleksible kontekstsæt, muligvis med tekst eller flere typer billeder.
De vil også udvikle måder at forbedre Tyches værste forudsigelser på og gøre det muligt for systemet at anbefale de bedste segmenteringskandidater.
