STUDIU. Tyche, un sistem AI adresează incertitudinile din imagistica medicală, contribuind la diagnosticul de precizie
Tyche, un nou sistem bazat pe machine learning, adresează incertitudinile regăsite în imagistica medicală (CT, RMN etc), evidențiind anumite detalii care pot fi cruciale în punerea unui diagnostic și care, de multe ori, sunt omise de medici. Sistemul AI segmentează diverse zone ale imaginilor medicale și oferă mai multe rezultate plauzibile atunci când i se solicită să identifice o potențială afecțiune sau anomalie.
Spre deosebire de alte instrumente digitale cu aplicații asemănătoare în imagistică, Tyche poate genera multiple segmentări, în funcție de solicitările utilizatorul, fiecare segmentare evidențiind zone diferite ale imaginii medicale. Sistemului i se pot atribui noi sarcini de segmentare fără să necesite o antrenare suplimentară de fiecare dată. Astfel, nu numai că nu implică utilizarea unor baze de date specializate, ci devine accesibil unui public mai larg, nefiind nevoie ca utilizatorul să aibă cunoștințe de machine learning.
Tyche poate fi utilizat atât în context clinic, pentru a ajuta medicii să nu omită aspecte importante în diagnosticarea diverselor afecțiuni, cât și într-un cadru de cercetare biomedicală. Sistemul poate îndeplini o varietate de sarcini, de la identificarea leziunilor într-o radiografie pulmonară, până la evidențierea anomaliilor dintr-o analiză imagistică RMN al creierului.
„A avea mai multe opțiuni ajută în luarea deciziilor. Chiar și simpla observare a faptului că există ambiguități în interpretarea unei imagini medicale poate influența decizia unui medic, motiv pentru care este important să se țină cont de acesta. Dacă vrei să iei în considerare aceste ambiguități, trebuie, de obicei, să folosești un model digital extrem de complicat. Prin metoda pe care o propunem, scopul nostru este să facilităm utilizarea unui model relativ mic pentru luarea unor decizii rapide” – afirmă autoarea principală a lucrării, Marianne Rakic, PhD, MIT.
Studiul care abordează design-ul și performanțele sistemului de machine learning a fost realizat de oamenii de știință de la Massachusetts Institute of Technology. În mod obișnuit, sistemele AI utilizate în segmentarea imaginilor medicale sunt construite pe rețele neuronale, însă le lipsește capacitatea de a adresa incertitudinile din analizele imagistice. Deși are la bază arhitectura modificată a unei astfel de rețele, Tyche poate genera mai multe predicții și nu are nevoie de re-antrenare înaintea efectuării sarcinilor noi de segmentare.
Pentru a oferi predicții cu privire la o potențială afecțiune regăsită în imagini, sistemul funcționează pe baza unui input (analiza imagistică) și un set context (16 imagini medicale). Setul context e cel care permite sistemului să nu necesite re-antrenare înaintea fiecărui task nou. În design-ul lui Tyche s-a observat că este nevoie de minim 16 imagini medicale pentru ca instrumentul digital să performeze bine, însă nu există o limită superioară a numărului de exemple cu care poate fi antrenat.
În ceea ce privește performanțele tehnice ale sistemului de învățare automată, Tyche nu numai că depășește anumite modele antrenate pe baze de date specializate, însă este și mai rapid decât majoritatea modelelor din aceeași gamă. Conform studiului care însoțește dezvoltarea instrumentului digital, Tyche are două variante: una menită să optimizeze cea mai bună segmentare într-un timp foarte scurt și o variantă care poate fi utilizată alături de un model deja existent, pre-antrenat în segmentarea imaginilor medicale.
Citește și:
- STUDIU. Problemele de neurodezvoltare ar putea fi anticipate prin modelarea microbiotei bebelușilor cu ajutorul Digital Twins
- Google Street View poate contribui la evaluarea riscului de boală coronariană pe baza cartierului în care locuiești
- Primul ceas inteligent care realizează imagini ale vaselor de sânge în timp real și monitorizează indicatori hemodinamici în afara spitalului