Neues KI -Modell führt eine medizinische Bildsegmentierung mit weitaus weniger Daten durch

Ein neues Tool für künstliche Intelligenz (KI) könnte es viel einfacher machen und billiger für Ärzte und Forscher, medizinische Bildgebungssoftware auszubilden, selbst wenn nur eine kleine Anzahl von Patientenscans verfügbar ist.

Das KI-Tool verbessert einen Prozess, der als medizinische Bildsegmentierung bezeichnet wird und bei dem jedes Pixel in einem Bild basierend auf dem bezeichnet wird, was es für krebsartige oder normale Gewebe darstellt. Dieser Prozess wird häufig von einem hochqualifizierten Experten durchgeführt, und Deep Learning hat vielversprechend bei der Automatisierung dieser arbeitsintensiven Aufgabe gezeigt.

Die große Herausforderung besteht darin, dass tief lernbasierte Methoden Daten hungrig sind-sie erfordern eine große Menge an pixel-by-pixel-kommentierten Bildern, um zu lernen, erklärte Li Zhang, ein Ph.D. Student der Abteilung für Elektro- und Computertechnik an der University of California San Diego. Das Erstellen solcher Datensätze erfordert Expertenarbeit, Zeit und Kosten. Und für viele Erkrankungen und klinische Umgebungen existiert diese Datenniveau einfach nicht.

Um diese Einschränkung zu überwinden, haben Zhang und ein Team von Forschern unter der Leitung von UC San Diego Electrical and Computer Engineering Professor Pengtao Xie ein KI-Tool entwickelt, mit dem die Bildsegmentierung nur aus einer kleinen Anzahl von Expertenmarkierungsproben Bildung erlernen kann. Auf diese Weise senkt es die Datenmenge, die normalerweise bis zu 20 Mal benötigt wird. Dies könnte möglicherweise zu schnelleren und erschwinglicheren diagnostischen Tools führen, insbesondere in Krankenhäusern und Kliniken mit begrenzten Ressourcen.

Das Werk wurde in veröffentlicht in Naturkommunikation.

Dieses Projekt entstand aus der Notwendigkeit, diesen Engpass zu brechen und leistungsstarke Segmentierungstools praktischer und zugänglicher zu machen, insbesondere für Szenarien, in denen Daten knapp sind. „

Li Zhang, Erster Autor der Studie

Das KI -Tool wurde an verschiedenen Aufgaben zur Segmentierung von medizinischen Bild getestet. Es lernte, Hautläsionen in dermoskopischen Bildern zu identifizieren; Brustkrebs bei Ultraschall -Scans; Plazentagefäße in fetoskopischen Bildern; Polypen in Koloskopiebildern; und Fußgeschwüre in Standard -Kamera -Fotos, um nur mehrere Beispiele aufzulisten. Die Methode wurde auch auf 3D -Bilder erweitert, z. B. diejenigen, die zum Abbau des Hippocampus oder der Leber verwendet wurden.

In Einstellungen, in denen kommentierte Daten extrem begrenzt waren, steigerte das KI -Tool im Vergleich zu vorhandenen Ansätzen um 10 bis 20% um 10 bis 20%. Es erforderten 8- bis 20-mal weniger Trainingsdaten als Standardmethoden, während sie häufig übereinstimmen oder übertreffen.

Zhang beschrieb, wie dieses KI -Werkzeug möglicherweise verwendet werden könnte, um Dermatologen zu helfen, Hautkrebs zu diagnostizieren. Anstatt Tausende von Bildern zu sammeln und zu kennzeichnen, muss ein ausgebildeter Experte in der Klinik beispielsweise nur 40 kommentieren. Das KI -Tool könnte dann diesen kleinen Datensatz verwenden, um verdächtige Läsionen aus den Dermoskopie -Bildern eines Patienten in Echtzeit zu identifizieren. „Es könnte Ärzten helfen, eine schnellere und genauere Diagnose zu stellen“, sagte Zhang.

Das System funktioniert in Phasen. Zunächst lernt es, wie man synthetische Bilder aus Segmentierungsmasken erzeugt, bei denen es sich im Wesentlichen um farbcodierte Overlays handelt, die einen Algorithmus zeigen, der Teile eines Bildes beispielsweise gesund oder erkrankt sind. Anschließend verwendet es dieses Wissen, um neue, künstliche Bildmaskenpaare zu erstellen, um einen kleinen Datensatz mit echten Beispielen zu erweitern. Ein Segmentierungsmodell wird mit beiden trainiert. Durch eine kontinuierliche Rückkopplungsschleife verfeinert das System die Bilder, es basiert darauf, wie gut sie das Lernen des Modells verbessern.

Die Feedback -Schleife ist ein großer Teil dessen, was dieses System so gut funktioniert, bemerkte Zhang. „Anstatt die Datenerzeugung und das Segmentierungsmodelltraining als zwei getrennte Aufgaben zu behandeln, wird dieses System das erste integriert. Die Segmentierungsleistung selbst führt den Datengenerierungsprozess. Dies stellt sicher, dass die synthetischen Daten nicht nur realistisch sind, sondern auch spezifisch darauf zugeschnitten sind, die Segmentierungsfunktionen des Modells zu verbessern.“

Mit Blick auf die Zukunft plant das Team, sein KI -Tool intelligenter und vielseitiger zu gestalten. Die Forscher planen auch, Feedback von Klinikern direkt in den Schulungsprozess einzubeziehen, um die generierten Daten für den medizinischen Einsatz realer zu relevanter zu gestalten.

Quellen: