Медицинская визуализация - сложная область, в которой интерпретация результатов может оказаться непростой задачей.
Модели искусственного интеллекта могут помочь врачам, анализируя изображения, которые могут указывать на аномалии, свидетельствующие о болезни.
Однако есть одна загвоздка: эти модели ИИ обычно предлагают одно решение, в то время как в реальности медицинские изображения часто имеют несколько интерпретаций.
Если вы попросите пятерых экспертов обрисовать интересующую вас область, например небольшую шишку на снимке легких, то в итоге вы получите пять разных рисунков, поскольку у каждого из них может быть свое мнение о том, где, например, начинается и заканчивается шишка.
Для решения этой проблемы исследователи из Массачусетского технологического института, Института Броуда при Гарвардском технологическом институте и Массачусетской больницы общего профиля создали Tyche - систему искусственного интеллекта, которая учитывает неоднозначность при сегментации медицинских изображений.
Сегментация включает в себя маркировку определенных пикселей на медицинском изображении, которые представляют собой важные структуры, такие как органы или клетки.
Марианна Ракич, кандидат наук по информатике Массачусетского технологического института и ведущий автор исследования исследованиепоясняет: "Наличие вариантов может помочь в принятии решений. Даже просто видение того, что в медицинском изображении есть неопределенность, может повлиять на чьи-то решения, поэтому важно учитывать эту неопределенность".
Названная в честь греческой богини случайности, Tyche генерирует несколько возможных сегментаций для одного медицинского изображения, чтобы учесть неоднозначность.
Каждая сегментация выделяет несколько разных регионов, позволяя пользователям выбрать наиболее подходящий для своих нужд.
Ракич рассказывает Новости Массачусетского технологического института"Вывод нескольких кандидатов и обеспечение их отличия друг от друга действительно дает вам преимущество".
Итак, как работает Tyche? Давайте разделим это на четыре простых шага:
- Обучение на собственном примере: Пользователи предоставляют Tyche небольшой набор примеров изображений, называемых "контекстным набором", которые демонстрируют задачу сегментации, которую они хотят выполнить. Эти примеры могут включать изображения, сегментированные разными экспертами-людьми, что помогает модели понять задачу и потенциальную неоднозначность.
- Настройки нейронной сети: Исследователи модифицировали стандартную архитектуру нейронной сети, чтобы позволить Tyche справляться с неопределенностью. Они настроили слои сети таким образом, чтобы потенциальные сегментации, генерируемые на каждом шаге, могли "общаться" друг с другом и с примерами контекстного набора.
- Многочисленные возможности: Tyche предназначен для вывода нескольких прогнозов на основе одного входного медицинского изображения и набора контекстов.
- Вознаграждение за качество: Процесс обучения был изменен таким образом, чтобы вознаградить Tyche за создание наилучшего возможного прогноза. Если пользователь запрашивает пять прогнозов, он может увидеть все пять сегментаций медицинских изображений, созданных Tyche, даже если одна из них может быть лучше.
Одно из главных достоинств Tyche - его адаптивность. Он может решать новые задачи сегментации без необходимости переобучения с нуля.
Обычно в моделях искусственного интеллекта для сегментации медицинских изображений используются нейронные сети, которые требуют длительного обучения на больших массивах данных и опыта машинного обучения.
В отличие от этого, Tyche можно использовать "из коробки" для решения различных задач - от обнаружения поражений легких на рентгеновских снимках до выявления аномалий мозга на МРТ.
В области медицинской визуализации с использованием ИИ было проведено множество исследований, в том числе крупные прорывы в скрининг рака груди и диагностика с помощью искусственного интеллекта, которая матч или даже избитые врачи при интерпретации изображений.
В будущем исследовательская группа планирует изучить возможность использования более гибких контекстных наборов, возможно, включающих текст или несколько типов изображений.
Они также хотят разработать способы улучшения худших прогнозов Tyche и позволить системе рекомендовать лучшие кандидатуры для сегментации.
