A imagiologia médica é um domínio complexo em que a interpretação dos resultados pode ser um desafio.
Os modelos de IA podem ajudar os médicos através da análise de imagens que possam indicar anomalias indicadoras de doença.
No entanto, há um senão: estes modelos de IA apresentam normalmente uma única solução quando, na realidade, as imagens médicas têm frequentemente múltiplas interpretações.
Se pedir a cinco especialistas para delinearem uma área de interesse, como um pequeno nódulo num exame aos pulmões, pode acabar por obter cinco desenhos diferentes, uma vez que todos eles podem ter as suas próprias opiniões sobre onde começa e acaba o nódulo, por exemplo.
Para resolver este problema, os investigadores do MIT, do Broad Institute of MIT Harvard e do Massachusetts General Hospital criaram o Tyche, um sistema de IA que aceita a ambiguidade na segmentação de imagens médicas.
A segmentação envolve a etiquetagem de pixéis específicos numa imagem médica que representam estruturas importantes, como órgãos ou células.
Marianne Rakic, candidata a doutoramento em ciências informáticas no MIT e principal autora do estudo estudoO Dr. Hahn, da Universidade de Lisboa, explica: "Ter opções pode ajudar na tomada de decisões. O simples facto de ver que existe incerteza numa imagem médica pode influenciar as decisões de alguém, pelo que é importante ter em conta essa incerteza."
Com o nome da deusa grega do acaso, Tyche gera várias segmentações possíveis para uma única imagem médica para capturar a ambiguidade.
Cada segmentação destaca regiões ligeiramente diferentes, permitindo aos utilizadores escolher a mais adequada às suas necessidades.
Rakic conta Notícias do MIT"A produção de vários candidatos e a garantia de que são diferentes uns dos outros dá-lhe realmente uma vantagem".
Então, como é que o Tyche funciona? Vamos decompô-lo em quatro passos simples:
- Aprender com o exemplo: Os utilizadores fornecem ao Tyche um pequeno conjunto de imagens de exemplo, denominado "conjunto de contexto", que mostra a tarefa de segmentação que pretendem executar. Estes exemplos podem incluir imagens segmentadas por diferentes especialistas humanos, ajudando o modelo a compreender a tarefa e o potencial de ambiguidade.
- Ajustes na rede neural: Os investigadores modificaram uma arquitetura de rede neural padrão para permitir ao Tyche lidar com a incerteza. Ajustaram as camadas da rede para que as segmentações potenciais geradas em cada etapa pudessem "comunicar" entre si e com os exemplos do conjunto de contexto.
- Múltiplas possibilidades: O Tyche foi concebido para produzir várias previsões com base numa única entrada de imagem médica e no conjunto de contexto.
- Recompensar a qualidade: O processo de formação foi ajustado para recompensar o Tyche por produzir a melhor previsão possível. Se o utilizador pedir cinco previsões, pode ver todas as cinco segmentações de imagens médicas produzidas pelo Tyche, mesmo que uma possa ser melhor.
Um dos maiores pontos fortes do Tyche é a sua adaptabilidade. Pode assumir novas tarefas de segmentação sem necessitar de ser novamente treinado de raiz.
Normalmente, os modelos de IA para segmentação de imagens médicas utilizam redes neuronais que requerem uma formação extensiva em grandes conjuntos de dados e conhecimentos de aprendizagem automática.
Em contrapartida, o Tyche pode ser utilizado "fora da caixa" para várias tarefas, desde a deteção de lesões pulmonares em radiografias até à identificação de anomalias cerebrais em ressonâncias magnéticas.
Foram realizados numerosos estudos no domínio da imagiologia médica com IA, incluindo grandes avanços em rastreio do cancro da mama e diagnósticos de IA que jogo ou mesmo médicos de choque na interpretação de imagens.
Olhando para o futuro, a equipa de investigação planeia explorar a utilização de conjuntos de contextos mais flexíveis, possivelmente incluindo texto ou vários tipos de imagens.
Pretendem também desenvolver formas de melhorar as piores previsões do Tyche e permitir que o sistema recomende os melhores candidatos à segmentação.
