Medicinsk bildbehandling är ett komplext område där det kan vara svårt att tolka resultaten.
AI-modeller kan hjälpa läkare genom att analysera bilder som kan tyda på sjukdomsindikerande avvikelser.
Det finns dock en hake: dessa AI-modeller kommer vanligtvis fram till en enda lösning när medicinska bilder i verkligheten ofta har flera olika tolkningar.
Om du ber fem experter att skissera ett intresseområde, till exempel en liten knöl på en lungröntgen, kan du få fem olika ritningar, eftersom de alla kan ha sina egna åsikter om var knölen börjar och slutar, till exempel.
För att tackla detta problem har forskare från MIT, Broad Institute of MIT Harvard och Massachusetts General Hospital skapat Tyche, ett AI-system som tar hänsyn till tvetydigheten i medicinsk bildsegmentering.
Segmentering innebär att man märker ut specifika pixlar i en medicinsk bild som representerar viktiga strukturer, t.ex. organ eller celler.
Marianne Rakic, doktorand i datavetenskap vid MIT och huvudförfattare till studie"Att ha alternativ kan underlätta beslutsfattandet. Bara att se att det finns en osäkerhet i en medicinsk bild kan påverka någons beslut, så det är viktigt att ta hänsyn till denna osäkerhet."
Tyche, som har fått sitt namn efter den grekiska slumpens gudinna, genererar flera möjliga segmenteringar för en enda medicinsk bild för att fånga upp tvetydigheter.
Varje segmentering belyser lite olika regioner, vilket gör att användarna kan välja den som passar bäst för deras behov.
Rakic berättar MIT Nyheter"Att ta fram flera kandidater och se till att de skiljer sig från varandra ger dig verkligen en fördel."
Så, hur fungerar Tyche? Låt oss dela upp det i fyra enkla steg:
- Lärande genom exempel: Användarna ger Tyche en liten uppsättning exempelbilder, en så kallad "context set", som visar den segmenteringsuppgift de vill utföra. Dessa exempel kan innehålla bilder som segmenterats av olika mänskliga experter, vilket hjälper modellen att förstå uppgiften och potentialen för tvetydighet.
- Justeringar av neurala nätverk: Forskarna modifierade en standardarkitektur för neurala nätverk för att Tyche skulle kunna hantera osäkerhet. De justerade nätverkets lager så att de potentiella segmenteringar som genererades i varje steg kunde "kommunicera" med varandra och med de exempel som ställts in i sammanhanget.
- Flera möjligheter: Tyche är utformad för att ge ut flera förutsägelser baserat på en enda medicinsk bild och kontexten.
- Belöning för kvalitet: Utbildningsprocessen justerades för att belöna Tyche för att producera bästa möjliga förutsägelse. Om användaren ber om fem förutsägelser kan de se alla fem segmenteringar av medicinska bilder som Tyche har producerat, även om en kanske är bättre.
En av Tyches största styrkor är dess anpassningsförmåga. Den kan ta sig an nya segmenteringsuppgifter utan att behöva omskolas från grunden.
Normalt använder AI-modeller för medicinsk bildsegmentering neurala nätverk som kräver omfattande träning på stora datamängder och expertis inom maskininlärning.
Tyche kan däremot användas "direkt" för olika uppgifter, från att upptäcka lunglesioner på röntgenbilder till att identifiera avvikelser i hjärnan på magnetröntgenbilder.
Många studier har genomförts inom medicinsk bildbehandling med AI, inklusive stora genombrott inom screening för bröstcancer och AI-diagnostik som match eller till och med slå läkare vid tolkning av bilder.
I framtiden planerar forskargruppen att utforska möjligheten att använda mer flexibla kontextuppsättningar, eventuellt med text eller flera olika typer av bilder.
De vill också utveckla sätt att förbättra Tyches sämsta förutsägelser och göra det möjligt för systemet att rekommendera de bästa segmenteringskandidaterna.
