UCLA mokslininkai sukūrė giluminio mokymosi sistemą, kuri greitai išmoksta automatiškai analizuoti ir diagnozuoti MRT ir kitus 3D medicininius vaizdus, kurių tikslumas sutampa su medicinos specialistų tikslumu per dalį laiko. Straipsnis, aprašantis darbą ir sistemos galimybes, publikuojamas Gamtos biomedicinos inžinerija.
Skirtingai nuo kelių kitų modelių, kurie kuriami 3D vaizdams analizuoti, naujoji sistema yra plačiai pritaikoma įvairiems vaizdavimo būdais. Kūrėjai ištyrė jį naudodami 3D tinklainės nuskaitymus (optinę koherentinę tomografiją) ligos rizikos biomarkeriams nustatyti, ultragarso vaizdo įrašus širdies funkcijai nustatyti, 3D MRT skenavimus kepenų ligos sunkumui įvertinti ir 3D CT krūtinės ląstos mazgų piktybinių navikų tyrimui. Jie sako, kad tai yra pagrindas, kuris gali pasirodyti vertingas ir daugelyje kitų klinikinių nustatymų, todėl planuojami tyrimai.
Dirbtiniai neuroniniai tinklai treniruojasi atlikdami daugybę pakartotinių skaičiavimų ir tikrindami itin didelius duomenų rinkinius, kuriuos ištyrė ir pažymėjo klinikiniai ekspertai. Skirtingai nuo standartinių 2D vaizdų, kuriuose rodomas ilgis ir plotis, 3D vaizdo gavimo technologijos prideda gylio, o šie „tūriniai“ arba 3D vaizdai reikalauja daugiau laiko, įgūdžių ir dėmesio, kad ekspertas juos interpretuotų.
Pavyzdžiui, 3D tinklainės vaizdų nuskaitymas gali būti sudarytas iš beveik 100 2D vaizdų, todėl aukštos kvalifikacijos klinikinis specialistas turi atidžiai apžiūrėti kelias minutes, kad nustatytų subtilius ligos biologinius žymenis, pvz., išmatuotų anatominio patinimo tūrį.
„Nors yra daug DI (dirbtinio intelekto) metodų, skirtų 2D biomedicininių vaizdų duomenims analizuoti, didelių tūrinių duomenų rinkinių, kurių reikėtų standartiniams 3D modeliams, kad būtų išnaudotas visas DI potencialas, sudaryti ir komentuoti neįmanoma naudojant standartinius išteklius. Yra keletas modelių, tačiau jie yra mokomi. pastangos paprastai sutelkiamos į vieną vaizdo gavimo būdą ir konkretų organą ar ligą“, – sakė UCLA kompiuterinės medicinos doktorantūros mokslų daktaras Orenas Avramas ir vienas iš pirmųjų šio straipsnio autorių.
UCLA kompiuterinis modelis, vadinamas SLIViT, skirtas SLice Integration by Vision Transformer, susideda iš unikalaus dviejų dirbtinio intelekto komponentų derinio ir unikalaus mokymosi metodo, kuris, pasak mokslininkų, leidžia tiksliai prognozuoti ligos rizikos veiksnius iš medicininių nuskaitymų įvairiais tūriniais būdais. dydžio pažymėtus duomenų rinkinius.
„SLIViT įveikia mokymo duomenų rinkinio dydžio kliūtis, panaudodama ankstesnes „medicinines žinias“ iš labiau prieinamos 2D srities“, – sakė Berkinas Durmusas, UCLA mokslų daktaras. studentas ir pirmasis straipsnio autorius. Jis ir Avramas yra mokslininkai, susiję su UCLA Henry Samueli inžinerijos mokykla ir kitomis UCLA mokyklomis ir skyriais.
„Mes parodome, kad SLIViT, nors ir yra bendras modelis, nuolat pasiekia žymiai geresnių rezultatų, palyginti su konkrečiais domeno naujausiais modeliais. Jis turi klinikinio pritaikomumo potencialą, atitinkantį klinikinių specialistų rankinių žinių tikslumą ir tuo pačiu sumažinant laiką. 5000 koeficientas ir skirtingai nuo kitų metodų, SLIViT yra pakankamai lankstus ir tvirtas, kad galėtų dirbti su klinikiniais duomenų rinkiniais, kurie ne visada yra tobulos tvarkos“, – sakė Durmusas.
Avramas teigė, kad SLIViT automatizuota anotacija gali būti naudinga pacientams ir gydytojams, nes pagerina diagnostikos efektyvumą ir savalaikiškumą, taip pat pagerina ir pagreitina medicininius tyrimus, sumažindama duomenų gavimo išlaidas ir trukmę. Be to, tai suteikia pagrindo modelį, kuris paspartintų būsimų nuspėjamųjų modelių kūrimą.
„Labiausiai mane sužavėjo nepaprastas SLIViT veikimas realiomis sąlygomis, ypač naudojant mažą treniruočių duomenų rinkinį“, – sakė medicinos mokslų daktaras SriniVas R. Sadda, UCLA Health oftalmologijos profesorius ir Doheny dirbtinio intelekto ir vaizdo tyrimų direktorius. Akių institutas.
„SLIViT klesti turėdamas tik šimtus, o ne tūkstančius mokomųjų pavyzdžių kai kurioms užduotims atlikti, suteikdamas jam didelį pranašumą prieš kitus standartinius 3D metodus beveik visais praktiniais atvejais, susijusiais su 3D biomedicininio vaizdo anotacija.
Eranas Halperinas, Ph.D., UCLA Davido Geffeno medicinos mokyklos Henry Samueli inžinerijos ir kompiuterinės medicinos mokyklos kompiuterių mokslų profesorius, teigė, kad net jei finansiniai ištekliai būtų neriboti, nuolatiniai tyrimai visada susidurs su iššūkiais, kuriuos kelia ribotas skaičius. mokymo duomenų rinkinius – pavyzdžiui, klinikinėje aplinkoje arba svarstant naujus biomedicininio vaizdo gavimo būdus.
„Kai nustatomas naujas su liga susijęs rizikos veiksnys, gali prireikti mėnesių, kol specialistai bus apmokyti tiksliai anotuoti naują veiksnį biomedicininiuose vaizduose“, – sakė jis.
„Tačiau turėdamas santykinai mažą duomenų rinkinį, kurį vienas apmokytas gydytojas gali komentuoti vos per kelias dienas, SLIViT gali žymiai pagreitinti daugelio kitų neanotuotų tomų anotavimo procesą ir pasiekti klinikinių specialistų našumo lygius.”
Halperinas ir Sadda yra vyresnieji šio straipsnio autoriai.
Be to, kad išplėsti savo tyrimus įtraukiant papildomus gydymo būdus, mokslininkai planuoja ištirti, kaip SLIViT gali būti panaudotas prognozuojant ligas, siekiant pagerinti ankstyvą diagnozę ir gydymo planavimą. Siekdami skatinti jo klinikinį pritaikomumą, jie taip pat ištirs būdus, kaip užtikrinti, kad sistemingi AI modelių šališkumas neprisidėtų prie sveikatos skirtumų.