Nový nástroj umelej inteligencie vyvinutý na Kalifornskej univerzite v San Diegu by mohol zásadne zjednodušiť a zlacniť vývoj softvéru pre analýzu medicínskych snímok. Umožňuje totiž trénovať modely aj v prípadoch, keď sú k dispozícii len desiatky (odborníkmi označených) skenov, čo je v mnohých klinických podmienkach realitou.
Základom riešenia je vylepšenie segmentácie medicínskych obrázkov, pri ktorej sa každý pixel označí podľa toho, čo zobrazuje, napríklad nádorové alebo zdravé tkanivo. Klasické metódy strojového učenia na to vyžadujú obrovské množstvo precízne anotovaných dát, ktorých získanie je časovo aj finančne náročné. Nový nástroj tento problém obchádza pomocou generovania syntetických dát.
Lekári budú mať viac dát
Tím pod vedením profesora Pengtaa Xieho predstavil systém, ktorý vie z niekoľkých desiatok označených snímok vytvoriť množstvo realistických obrázkov s odpovedajúcimi maskami. Tie potom použije na trénovanie modelu segmentácie. Nástroj bol testovaný na rôznych úlohách, od identifikácie rakoviny kože po analýzu 3D snímok pečene alebo mozgu. V porovnaní s bežnými metódami dosiahol lepšie výsledky pri 8- až 20-násobne menšom objeme reálnych dát.
Mohlo by vás zaujímať:
- Test Ray-Ban Meta Wayfarer: Stoja za tú cenu alebo počkať na dvojku?
- Ventilátory počas horúčav môžu spôsobiť viac škody než úžitku. Najmä starším ľuďom
- Hrá vaše dieťa hry? Dávajte pozor na spotrebu energie
Kľúčovým prínosom je integrácia spätnej väzby. Generovanie nových obrázkov nie je oddelené od trénovania modelu, ale prebieha v uzavretom cykle, kde sa kvalita syntetických dát hodnotí podľa toho, ako zlepšujú samotnú segmentáciu. Výsledkom je efektívnejšie učenie aj v dátovo chudobných prostrediach, aké sú typické pre menšie nemocnice či menej bežné diagnózy.
V praxi by to mohlo pomôcť napríklad dermatológom, ktorí namiesto tisícok označených fotografií potrebujú len desiatky, aby mohli trénovať AI model na rozpoznávanie kožných ochorení. Systém by potom v reálnom čase analyzoval nové snímky a navrhol diagnózu, čím by uľahčil a zrýchlil rozhodovanie lekára.
Výskumníci plánujú nástroj ďalej zdokonaľovať a zamerať sa aj na zapojenie klinických odborníkov do tréningového procesu. Cieľom je, aby generované dáta čo najlepšie reflektovali realitu zdravotnej praxe. Technológia má potenciál urýchliť diagnostiku v rôznych medicínskych odboroch a sprístupniť pokročilú AI aj zariadeniam s obmedzenými zdrojmi.
Zdroj: TechXplore
