Новый метод искусственного интеллекта фиксирует неопределенность в медицинских изображениях

В биомедицине сегментация предполагает аннотирование пикселей важной структуры медицинского изображения, например органа или клетки. Модели искусственного интеллекта могут помочь врачам, выделяя пиксели, которые могут показывать признаки определенного заболевания или аномалии.

Однако эти модели обычно дают только один ответ, а проблема сегментации медицинских изображений зачастую далека от черно-белой. Пять экспертов-аннотаторов могут предоставить пять различных сегментаций, возможно, расходясь во мнениях относительно существования или протяженности границ узла на КТ-изображении легких.

«Наличие вариантов может помочь в принятии решений. Даже простое наблюдение неопределенности в медицинском изображении может повлиять на чьи-то решения, поэтому важно принять эту неопределенность во внимание», — говорит Марианна Ракич, доктор компьютерных наук Массачусетского технологического института. кандидат.

Ракич является ведущим автором статьи вместе с другими сотрудниками Массачусетского технологического института, Института Броуда Массачусетского технологического института и Гарварда, а также Массачусетской больницы общего профиля, в которой представлен новый инструмент искусственного интеллекта, который может уловить неопределенность в медицинском изображении.

Система, известная как Тихе (названная в честь греческого божества случая), обеспечивает несколько правдоподобных сегментаций, каждая из которых выделяет несколько разные области медицинского изображения. Пользователь может указать, сколько опций выдает Tyche, и выбрать наиболее подходящий для своих целей.

Важно отметить, что Tyche может решать новые задачи сегментации без необходимости переобучения. Обучение — это процесс, требующий большого объема данных, который включает в себя демонстрацию модели на множестве примеров и требует обширного опыта машинного обучения.

Поскольку Tyche не требует переподготовки, клиницистам и биомедицинским исследователям будет проще использовать его, чем некоторые другие методы. Его можно применять «из коробки» для самых разных задач: от выявления поражений на рентгенограмме легких до выявления аномалий на МРТ головного мозга.

В конечном итоге эта система может улучшить диагностику или помочь в биомедицинских исследованиях, привлекая внимание к потенциально важной информации, которую другие инструменты ИИ могут пропустить.

«Двусмысленность недостаточно изучена. Если ваша модель полностью упускает узел, который, по мнению трех экспертов, есть, а два эксперта утверждают, что его нет, то, вероятно, вам следует обратить на это внимание», — добавляет старший автор Адриан Далка, доцент Гарвардской медицинской школы. и MGH и научный сотрудник Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL).

Среди их соавторов Холли Вонг, аспирантка в области электротехники и информатики; Хосе Хавьер Гонсалес Ортис, доктор философии. '23; Бет Чимини, заместитель директора по анализу биоизображений в Институте Броуда; и Джон Гуттаг, профессор компьютерных наук и электротехники Дугалда К. Джексона. Ракич представит Тайче на конференции IEEE по компьютерному зрению и распознаванию образов, где Тайче был выбран в качестве основного события.

Решение двусмысленности

Системы искусственного интеллекта для сегментации медицинских изображений обычно используют нейронные сети. Нейронные сети, основанные на человеческом мозге, представляют собой модели машинного обучения, состоящие из множества взаимосвязанных слоев узлов или нейронов, которые обрабатывают данные.

Поговорив с сотрудниками Института Броуда и MGH, которые используют эти системы, исследователи поняли, что их эффективность ограничивается двумя основными проблемами. Модели не могут отразить неопределенность, и их необходимо переобучить даже для немного другой задачи сегментации.

Некоторые методы пытаются преодолеть одну ловушку, но решить обе проблемы с помощью одного решения оказалось особенно сложно, говорит Ракич.

«Если вы хотите принять во внимание неоднозначность, вам часто приходится использовать чрезвычайно сложную модель. С помощью метода, который мы предлагаем, наша цель — упростить его использование с относительно небольшой моделью, чтобы она могла быстро делать прогнозы», — она говорит.

Исследователи создали Tyche, изменив простую архитектуру нейронной сети.

Пользователь сначала предоставляет Тиче несколько примеров, демонстрирующих задачу сегментации. Например, примеры могут включать в себя несколько изображений поражений на МРТ сердца, которые разные эксперты-люди сегментировали, чтобы модель могла изучить задачу и увидеть наличие двусмысленности.

Исследователи обнаружили, что всего 16 изображений-примеров, называемых «набором контекстов», достаточно, чтобы модель могла делать хорошие прогнозы, но количество примеров, которые можно использовать, не ограничено. Набор контекста позволяет Тиче решать новые задачи без переобучения.

Чтобы Тайче смог уловить неопределенность, исследователи модифицировали нейронную сеть так, чтобы она выдавала несколько прогнозов на основе одного входного медицинского изображения и набора контекста. Они скорректировали слои сети так, чтобы по мере перемещения данных от уровня к уровню сегментации-кандидаты, созданные на каждом этапе, могли «общаться» друг с другом и примерами в наборе контекстов.

Таким образом, модель может гарантировать, что сегментация кандидатов немного отличается, но при этом решает задачу.

«Это похоже на бросок игральных костей. Если ваша модель может выбросить двойку, тройку или четверку, но не знает, что у вас уже есть двойка и четверка, то любая из них может появиться снова», — говорит она.

Они также изменили процесс обучения, чтобы он вознаграждался максимальным качеством лучшего прогноза.

Если пользователь запросит пять прогнозов, в конце он увидит все пять сегментаций медицинских изображений, созданных Тихе, даже если один из них может быть лучше других.

Исследователи также разработали версию Tyche, которую можно использовать с существующей предварительно обученной моделью для сегментации медицинских изображений. В этом случае Tyche позволяет модели выводить несколько кандидатов, делая небольшие преобразования изображений.

Более качественные и быстрые прогнозы

Когда исследователи протестировали Tyche с наборами данных аннотированных медицинских изображений, они обнаружили, что его прогнозы отражают разнообразие людей-аннотаторов и что его лучшие прогнозы были лучше, чем любые из базовых моделей. Tyche также работал быстрее, чем большинство моделей.

«Вывод нескольких кандидатов и обеспечение того, чтобы они отличались друг от друга, действительно дает вам преимущество», — говорит Ракич.

Исследователи также увидели, что Tyche может превзойти более сложные модели, обученные с использованием большого специализированного набора данных.

В будущей работе они планируют попробовать использовать более гибкий набор контекстов, возможно, включающий текст или несколько типов изображений. Кроме того, они хотят изучить методы, которые могли бы улучшить худшие прогнозы Тайче и улучшить систему, чтобы она могла рекомендовать лучших кандидатов на сегментацию.

Исследование опубликовано на сайте arXiv сервер препринтов.

Эта история переиздана благодаря MIT News (web.mit.edu/newsoffice/), популярному сайту, на котором освещаются новости об исследованиях, инновациях и преподавании MIT.