Medisinsk avbildning er et komplekst felt der det kan være utfordrende å tolke resultatene.
AI-modeller kan hjelpe leger ved å analysere bilder som kan indikere sykdomsindikerende avvik.
Det er imidlertid en hake: Disse AI-modellene kommer vanligvis frem til én enkelt løsning, mens medisinske bilder i virkeligheten ofte har flere tolkninger.
Hvis du ber fem eksperter om å skissere et område av interesse, for eksempel en liten kul i en lungeskanning, kan du ende opp med fem forskjellige tegninger, ettersom de alle kan ha sine egne meninger om hvor kulen begynner og slutter, for eksempel.
For å løse dette problemet har forskere fra MIT, Broad Institute of MIT Harvard og Massachusetts General Hospital utviklet Tyche, et AI-system som tar hensyn til tvetydigheten i medisinsk bildesegmentering.
Segmentering innebærer å merke bestemte piksler i et medisinsk bilde som representerer viktige strukturer, for eksempel organer eller celler.
Marianne Rakic, doktorgradskandidat i informatikk ved MIT og hovedforfatter av studie"Det å ha valgmuligheter kan være til hjelp i beslutningsprosessen. Bare det å se at det er usikkerhet i et medisinsk bilde kan påvirke beslutningene, så det er viktig å ta hensyn til denne usikkerheten."
Tyche, som er oppkalt etter den greske tilfeldighetsgudinnen, genererer flere mulige segmenteringer for et enkelt medisinsk bilde for å fange opp tvetydighet.
Hver segmentering fremhever litt forskjellige regioner, slik at brukerne kan velge den som passer best for deres behov.
Rakic forteller MIT Nyheter"Det å få ut flere kandidater og sørge for at de er forskjellige fra hverandre, gir deg virkelig et fortrinn."
Så hvordan fungerer Tyche? La oss dele det opp i fire enkle trinn:
- Læring gjennom eksempel: Brukerne gir Tyche et lite sett med eksempelbilder, kalt et "kontekstsett", som viser segmenteringsoppgaven de ønsker å utføre. Disse eksemplene kan inkludere bilder som er segmentert av ulike menneskelige eksperter, noe som hjelper modellen med å forstå oppgaven og potensialet for tvetydighet.
- Justeringer av nevrale nettverk: Forskerne modifiserte en standard arkitektur for nevrale nettverk slik at Tyche kunne håndtere usikkerhet. De justerte lagene i nettverket slik at de potensielle segmenteringene som ble generert i hvert trinn, kunne "kommunisere" med hverandre og med eksemplene i kontekstsettet.
- Flere muligheter: Tyche er utviklet for å levere flere prediksjoner basert på ett enkelt medisinsk bilde og kontekstsettet.
- Belønning av kvalitet: Opplæringsprosessen ble justert for å belønne Tyche for å produsere best mulig prediksjon. Hvis brukeren ber om fem prediksjoner, får han eller hun se alle de fem medisinske bildesegmenteringene som Tyche har produsert, selv om én kanskje er bedre.
En av Tyches største styrker er tilpasningsdyktigheten. Den kan ta på seg nye segmenteringsoppgaver uten å måtte læres opp på nytt fra bunnen av.
Normalt bruker AI-modeller for medisinsk bildesegmentering nevrale nettverk som krever omfattende opplæring på store datasett og maskinlæringsekspertise.
Tyche kan derimot brukes "out of the box" til en rekke ulike oppgaver, fra å oppdage lungeskader på røntgenbilder til å identifisere hjerneabnormaliteter på MR-bilder.
Det er gjennomført en rekke studier innen medisinsk avbildning med kunstig intelligens, inkludert store gjennombrudd innen brystkreftscreening og AI-diagnostikk som kamp eller til og med slå leger i tolkningen av bilder.
I fremtiden planlegger forskerteamet å utforske mer fleksible kontekstsett, som muligens kan inkludere tekst eller flere typer bilder.
De ønsker også å utvikle metoder for å forbedre Tyches dårligste prediksjoner og gjøre systemet i stand til å anbefale de beste segmenteringskandidatene.
