Konsylium algorytmów

Jedna sieć AI kontroluje drugą przy ocenie zdjęć rentgenowskich. To przełom w dokładności

Naukowcy z Monash University opracowali nowy algorytm współtrenowania sztucznej inteligencji do obrazowania medycznego, który może skutecznie naśladować proces zasięgania drugiej opinii.

Badania te, prowadzone przez wydziały inżynierii i informatyki Uniwersytetu Monash, przyczynią się do rozwoju dziedziny analizy obrazów medycznych dla radiologów i innych ekspertów w dziedzinie zdrowia.

Doktorantka Himashi Peiris z Wydziału Inżynierii powiedział, że projekt badawczy miał na celu stworzenie konkurencji między dwoma komponentami „podwójnego widoku” systemu sztucznej inteligencji.

– Jedna część systemu sztucznej inteligencji próbuje naśladować sposób, w jaki radiolodzy odczytują obrazy medyczne, oznaczając je, podczas gdy druga część systemu ocenia jakość oznaczonych skanów generowanych przez sztuczną inteligencję, porównując je z ograniczoną liczbą oznakowanych skanów dostarczonych przez radiologów – powiedziała Peiris.

Tradycyjnie radiolodzy i inni eksperci medyczni ręcznie opisują lub oznaczają skany medyczne, zakreślając podejrzane obszary zainteresowania, takie jak guzy lub inne zmiany. Etykiety te zapewniają wskazówki lub nadzór nad szkoleniem modeli AI. Metoda ta opiera się na subiektywnej interpretacji poszczególnych osób, jest czasochłonna i podatna na błędy oraz wydłużone okresy oczekiwania pacjentów zgłaszających się na leczenie.

Ponadto dostępność wielkoskalowych zestawów danych obrazów medycznych z adnotacjami jest często ograniczona, ponieważ ręczne opisywanie wielu obrazów wymaga znacznego wysiłku, czasu i wiedzy.

Algorytm opracowany przez badaczy Monash umożliwia wielu modelom sztucznej inteligencji wykorzystanie unikalnych zalet oznakowanych i nieoznakowanych danych oraz uczenie się na podstawie wzajemnych przewidywań, aby poprawić ogólną dokładność.

– W trzech publicznie dostępnych zestawach danych medycznych, wykorzystujących 10-procentowy zestaw oznaczonych danych, osiągnęliśmy średnią poprawę o 3 procent w porównaniu z najnowszym najnowocześniejszym podejściem w identycznych warunkach” – relacjonuje Peiris.

– Nasz algorytm przyniósł przełomowe wyniki w uczeniu się częściowo nadzorowanym, przewyższając poprzednie najnowocześniejsze metody. Wykazuje niezwykłą wydajność nawet przy ograniczonej liczbie adnotacji, w przeciwieństwie do algorytmów, które opierają się na dużych ilościach danych z adnotacjami – powiedziała Peiris.- Dzięki temu modele AI mogą podejmować bardziej świadome decyzje, weryfikować swoje wstępne oceny oraz odkrywać dokładniejsze diagnozy i decyzje dotyczące leczenia.

Kolejna faza badań skupi się na rozszerzeniu aplikacji do pracy z różnymi typami obrazów medycznych i opracowaniu dedykowanego kompleksowego produktu, który radiolodzy będą mogli wykorzystać w swojej praktyce.

Badanie opublikowane w Nature Machine Intelligence zostało przeprowadzone przez profesora nadzwyczajnego Mehrtasha Harandiego i przeprowadzone przez głównego badacza, doktora Himashi Peirisa. kandydat na Wydziale Inżynierii Uniwersytetu Monash, wraz z profesorem nadzwyczajnym Zhaolinem Chenem, dr Munawarem Hayatem i profesorem Garym Eganem z Monash Biomedical Imaging i Wydziału Technologii Informacyjnych.

Źródło historii: materiały Uniwersytetu Monash, zdjęcie zajawka: Freepik