Модель Tyche может помочь клиницистам и исследователям запечатлеть важную информацию на изображениях
Исследователи из Массачусетского технологического института (MIT), Института Брода Массачусетского технологического института и Гарварда, а также Массачусетской больницы общего профиля представили новый инструмент искусственного интеллекта (ИИ) для устранения неопределенности в медицинском изображении.
Модель машинного обучения Tyche, финансируемая Национальным институтом здравоохранения, Центром Эрика и Венди Шмидт и Quanta Computer, может помочь клиницистам и исследователям собирать важную информацию.
В биомедицине модели искусственного интеллекта помогают клиницистам, выделяя пиксели, которые показывают признаки определенного заболевания или аномалии. Однако модели такого типа обычно дают только один ответ.
“Наличие вариантов может помочь в принятии решений” и “поэтому важно учитывать эту неопределенность”, — говорит кандидат компьютерных наук Массачусетского технологического института Марианна Ракич.
Исследователи разработали Tyche после модификации простой архитектуры нейронной сети. После предоставления инструменту нескольких примеров задач сегментации, таких как изображения поражений на МРТ сердца, сегментированные разными специалистами-людьми, модель изучила задачи и обнаружила, что 16 примеров изображений было достаточно для того, чтобы модель могла делать хорошие прогнозы без переподготовки.
Команда модифицировала сеть для вывода нескольких прогнозов на основе одного входного медицинского изображения и набора контекстов, настроив уровень сети таким образом, чтобы полученные сегментации-кандидаты могли взаимодействовать друг с другом и примерами из набора контекстов.
Кроме того, исследователи модифицировали процесс обучения, чтобы максимально повысить качество его наилучшего прогнозирования, что позволило Tyche обеспечить, чтобы сегментация кандидатов немного отличалась при решении поставленной задачи.
Команда также убедилась, что этот инструмент способен превзойти более сложные модели, подготовленные с использованием большого специализированного набора данных, и работает быстрее по сравнению с большинством моделей.
Исследователи полагают, что Tyche может принести пользу клиницистам и биомедицинским исследователям больше, чем другие методы, благодаря отсутствию необходимости в переподготовке, скорости и возможности применения для решения различных задач.
Команда планирует использовать более гибкий контекст, установленный в Tyche, и стремится изучить методы улучшения своих наихудших прогнозов и усовершенствовать систему, чтобы рекомендовать лучших кандидатов для сегментации.