[ad_1]
In biomedicina, la segmentazione comporta l’annotazione dei pixel di una struttura importante in un’immagine medica, come un organo o una cellula. I modelli di intelligenza artificiale possono aiutare i medici evidenziando i pixel che potrebbero mostrare segni di una determinata malattia o anomalia.
Tuttavia, questi modelli in genere forniscono solo una risposta, mentre il problema della segmentazione delle immagini mediche è spesso ben lungi dall’essere in bianco e nero. Cinque annotatori umani esperti potrebbero fornire cinque diverse segmentazioni, forse in disaccordo sull’esistenza o sull’estensione dei bordi di un nodulo in un’immagine TC polmonare.
“Avere opzioni può aiutare nel processo decisionale. Anche solo vedere che c’è incertezza in un’immagine medica può influenzare le decisioni di qualcuno, quindi è importante tenere conto di questa incertezza”, afferma Marianne Rakic, dottoranda in informatica del MIT.
Rakic è l’autore principale di un articolo insieme ad altri del MIT, del Broad Institute of MIT e di Harvard e del Massachusetts General Hospital che introduce un nuovo strumento di intelligenza artificiale in grado di catturare l’incertezza in un’immagine medica.
Conosciuto come Tyche (dal nome della divinità greca del caso), il sistema fornisce molteplici segmentazioni plausibili, ciascuna delle quali evidenzia aree leggermente diverse di un’immagine medica. Un utente può specificare quante opzioni Tyche restituisce e selezionare quella più appropriata per il proprio scopo.
È importante sottolineare che Tyche può affrontare nuove attività di segmentazione senza dover essere riqualificato. La formazione è un processo ad alta intensità di dati che prevede la presentazione di un modello con numerosi esempi e richiede una vasta esperienza di apprendimento automatico.
Poiché non necessita di riqualificazione, Tyche potrebbe essere più facile da utilizzare per i medici e i ricercatori biomedici rispetto ad altri metodi. Potrebbe essere applicato “fuori dagli schemi” per una varietà di compiti, dall’identificazione di lesioni in una radiografia polmonare all’individuazione di anomalie in una risonanza magnetica cerebrale.
In definitiva, questo sistema potrebbe migliorare le diagnosi o aiutare la ricerca biomedica richiamando l’attenzione su informazioni potenzialmente cruciali che altri strumenti di intelligenza artificiale potrebbero perdere.
“L’ambiguità è stata sottovalutata. Se il tuo modello manca completamente un nodulo che tre esperti dicono sia presente e due esperti dicono no, probabilmente è qualcosa a cui dovresti prestare attenzione”, aggiunge l’autore senior Adrian Dalca, assistente professore alla Harvard Medical School e MGH, e ricercatore scienziato presso il Laboratorio di informatica e intelligenza artificiale del MIT (CSAIL).
I loro coautori includono Hallee Wong, uno studente laureato in ingegneria elettrica e informatica; Jose Javier Gonzalez Ortiz PhD ’23; Beth Cimini, direttore associato per l’analisi delle bioimmagini presso il Broad Institute; e John Guttag, professore di informatica e ingegneria elettrica a Dugald C. Jackson. Rakic presenterà Tyche alla conferenza IEEE sulla visione artificiale e il riconoscimento dei modelli, dove Tyche è stato selezionato come highlight.
Affrontare l’ambiguità
I sistemi di intelligenza artificiale per la segmentazione delle immagini mediche utilizzano tipicamente reti neurali. Liberamente basate sul cervello umano, le reti neurali sono modelli di apprendimento automatico comprendenti molti strati interconnessi di nodi, o neuroni, che elaborano i dati.
Dopo aver parlato con i collaboratori del Broad Institute e del MGH che utilizzano questi sistemi, i ricercatori si sono resi conto che due problemi principali ne limitano l’efficacia. I modelli non sono in grado di catturare l’incertezza e devono essere riqualificati anche per un compito di segmentazione leggermente diverso.
Alcuni metodi cercano di superare un ostacolo, ma affrontare entrambi i problemi con un’unica soluzione si è rivelato particolarmente complicato, afferma Rakic.
“Se si vuole tenere conto dell’ambiguità, spesso è necessario utilizzare un modello estremamente complicato. Con il metodo che proponiamo, il nostro obiettivo è renderlo facile da usare con un modello relativamente piccolo in modo che possa fare previsioni rapidamente”, afferma.
I ricercatori hanno costruito Tyche modificando una semplice architettura di rete neurale.
Un utente fornisce innanzitutto a Tyche alcuni esempi che mostrano l’attività di segmentazione. Ad esempio, gli esempi potrebbero includere diverse immagini di lesioni in una risonanza magnetica cardiaca che sono state segmentate da diversi esperti umani in modo che il modello possa apprendere il compito e vedere se c’è ambiguità.
I ricercatori hanno scoperto che solo 16 immagini di esempio, chiamate “set di contesto”, sono sufficienti affinché il modello possa fare buone previsioni, ma non c’è limite al numero di esempi che si possono utilizzare. Il contesto impostato consente a Tyche di risolvere nuovi compiti senza riqualificazione.
Affinché Tyche possa catturare l’incertezza, i ricercatori hanno modificato la rete neurale in modo che produca più previsioni basate su un input di immagine medica e sul contesto impostato. Hanno adattato i livelli della rete in modo che, man mano che i dati si spostano da un livello all’altro, le segmentazioni candidate prodotte in ogni fase possano “parlare” tra loro e con gli esempi nel contesto impostato.
In questo modo, il modello può garantire che le segmentazioni dei candidati siano tutte leggermente diverse, ma risolvano comunque il compito.
“È come lanciare un dado. Se il tuo modello riesce a ottenere un due, un tre o un quattro, ma non sa che hai già un due e un quattro, allora uno dei due potrebbe apparire di nuovo”, afferma.
Hanno anche modificato il processo di allenamento in modo che venga premiato massimizzando la qualità della sua migliore previsione.
Se l’utente ha chiesto cinque previsioni, alla fine potrà vedere tutte e cinque le segmentazioni delle immagini mediche prodotte da Tyche, anche se una potrebbe essere migliore delle altre.
I ricercatori hanno inoltre sviluppato una versione di Tyche che può essere utilizzata con un modello esistente e preaddestrato per la segmentazione delle immagini mediche. In questo caso, Tyche consente al modello di produrre più candidati apportando leggere trasformazioni alle immagini.
Previsioni migliori e più rapide
Quando i ricercatori hanno testato Tyche con set di dati di immagini mediche annotate, hanno scoperto che le sue previsioni catturavano la diversità degli annotatori umani e che le sue migliori previsioni erano migliori di quelle dei modelli di base. Tyche ha inoltre ottenuto prestazioni più veloci rispetto alla maggior parte dei modelli.
“Produrre più candidati e garantire che siano diversi l’uno dall’altro ti dà davvero un vantaggio”, afferma Rakic.
I ricercatori hanno anche visto che Tyche potrebbe sovraperformare modelli più complessi che sono stati addestrati utilizzando un set di dati ampio e specializzato.
Per il lavoro futuro, intendono provare a utilizzare un insieme di contesti più flessibili, magari includendo testo o più tipi di immagini. Inoltre, vogliono esplorare metodi che potrebbero migliorare le peggiori previsioni di Tyche e potenziare il sistema in modo che possa consigliare i migliori candidati alla segmentazione.
Questa ricerca è finanziata, in parte, dal National Institutes of Health, dall’Eric and Wendy Schmidt Center presso il Broad Institute del MIT e Harvard e da Quanta Computer.
[ad_2]
Source link
