روش جدید ثبت عدم قطعیت در تصاویر پزشکی با هوش مصنوعی

زمان تخمینی مطالعه: 6 دقیقه

با ارائه نقشه‌های برچسب قابل قبول برای یک تصویر پزشکی، مدل یادگیری ماشینی Tyche می‌تواند به پزشکان و محققان کمک کند تا اطلاعات مهمی را دریافت کنند. در واقع این یک روش جدید ثبت عدم قطعیت در تصاویر پزشکی با هوش مصنوعی است.

در زیست پزشکی، بخش‌بندی(Segmentation) شامل حاشیه‌نویسی پیکسل‌ها مربوط به یک ساختار مهم در یک تصویر پزشکی، مانند یک اندام یا سلول است. مدل‌های هوش مصنوعی می‌توانند با برجسته کردن پیکسل‌هایی که ممکن است علائم بیماری یا ناهنجاری خاصی را نشان دهند، به پزشکان کمک کنند. با این حال، این مدل‌ها معمولاً تنها یک پاسخ را ارائه می‌دهند، در حالی که مشکل بخش‌بندی تصویر پزشکی اغلب فارغ از فقط تصاویر سیاه و سفید است. پنج حاشیه‌نویس انسانی متخصص ممکن است پنج نوع بخش‌بندی مختلف را ارائه دهند و شاید در مورد وجود یا وسعت مرزهای یک نودول در تصویر CT ریه اختلاف نظر داشته باشند و اینجاست که وجود تکنیکی برای حل کردن مشکل عدم قطعیت تصاویر پزشکی می‌تواند کمک کننده باشد.

“داشتن گزینه‌های متنوع می‌تواند در تصمیم‌گیری کمک کننده باشد. ماریان راکیک، کاندیدای دکترای علوم کامپیوتر MIT می‌گوید حتی مشاهده عدم قطعیت تصویر پزشکی می‌تواند بر تصمیم‌گیری‌های افراد تأثیر بگذارد، بنابراین مهم است که این عدم اطمینان را در نظر بگیرید”. راکیک نویسنده اصلی مقاله‌ای به همراه همکاران خود در موسسه Broad MIT و هاروارد، و بیمارستان عمومی ماساچوست است که ابزار هوش مصنوعی جدیدی را معرفی می‌کند که می‌تواند عدم قطعیت در یک تصویر پزشکی را ثبت کند. این سیستم که به نام Tyche (نام الهی شانس یونانی نامگذاری شده است) بخش‌بندی‌های قابل قبول متعددی ارائه می‌دهد که هر یک قسمت‌های کمی متفاوت از یک تصویر پزشکی را برجسته می‌کند. یک کاربر می‌تواند تعیین کند که Tyche چند گزینه خروجی می‌دهد و مناسب‌ترین گزینه را برای هدف خود انتخاب کند.

مهمتر از همه، Tyche می‌تواند بدون نیاز به آموزش مجدد، به وظایف بخش‌بندی جدید رسیدگی کند. آموزش یک فرآیند فشرده داده است که شامل نشان دادن نمونه‌های زیادی به یک مدل است و به تجربه گسترده یادگیری ماشینی نیاز دارد. از آنجایی که این مدل نیازی به بازآموزی ندارد، استفاده از Tyche برای پزشکان و محققان زیست‌پزشکی آسان‌تر از روش‌های دیگر است. می‌توان آن را برای کارهای مختلف، از شناسایی ضایعات در اشعه ایکس ریه گرفته تا مشخص کردن ناهنجاری‌ها در MRI مغز به کار برد. در نهایت، این سیستم می‌تواند با جلب توجه به اطلاعات بالقوه حیاتی که سایر ابزارهای هوش مصنوعی از دست می‌دهند، تشخیص‌ها را بهبود بخشد یا به تحقیقات زیست پزشکی کمک کند.

پرداختن به ابهام

سیستم‌های هوش مصنوعی برای بخش‌بندی تصاویر پزشکی معمولاً از شبکه‌های عصبی استفاده می‌کنند. شبکه‌های عصبی بر اساس مغز انسان، مدل‌های یادگیری ماشینی هستند که شامل بسیاری از لایه‌های به هم پیوسته گره‌ها یا نورون‌هایی هستند که داده‌ها را پردازش می‌کنند. پس از صحبت با محققان موسسه Broad و MGH که از این سیستم‌ها استفاده می‌کنند، دانشمندان متوجه شدند که دو مشکل عمده اثربخشی آنها را محدود می‌کند. مدل‌ها نمی‌توانند عدم قطعیت را دریافت کنند و باید حتی برای یک کار بخش‌بندی کمی متفاوت، مجدداً آموزش داده شوند. راکیچ می‌گوید برخی از روش‌ها سعی می‌کنند بر یکی از مشکلات غلبه کنند، اما مقابله با هر دو مشکل با یک راه‌حل به‌ویژه دشوار است.

محققان Tyche را با اصلاح یک معماری ساده شبکه عصبی ساختند. یک کاربر ابتدا چند نمونه به Tyche می‌دهد که وظیفه بخش‌بندی را نشان می‌دهد. برای مثال، نمونه‌هایی می‌توانند شامل چندین تصویر از ضایعات در MRI قلب باشند که توسط متخصصان مختلف انسانی بخش‌بندی شده‌اند تا مدل بتواند کار را یاد بگیرد و متوجه شود که ابهام وجود دارد. محققان دریافتند که تنها 16 تصویر نمونه که “مجموعه زمینه” نامیده می‌شود، برای پیش‌بینی خوب مدل کافی است، اما محدودیتی برای تعداد نمونه‌هایی که می‌توان استفاده کرد وجود ندارد. مجموعه زمینه Tyche را قادر می‌سازد تا وظایف جدید را بدون آموزش مجدد حل کند.

برای اینکه Tyche بتواند عدم قطعیت تصاویر پزشکی را حل کند، محققان شبکه عصبی را اصلاح کردند تا پیش‌بینی‌های متعددی بر اساس یک ورودی تصویر پزشکی و مجموعه زمینه ارائه کند. آن‌ها لایه‌های شبکه را طوری تنظیم کردند که با حرکت داده‌ها از لایه‌ای به لایه دیگر، بخش‌های نامزد تولید شده در هر مرحله بتوانند با یکدیگر و نمونه‌های موجود در مجموعه زمینه «گفتگو» کنند. به این ترتیب، مدل می‌تواند اطمینان حاصل کند که بخش‌بندی‌های نامزد کمی متفاوت است، اما همچنان کار را حل می‌کند. محققان همچنین نسخه‌ای از Tyche را توسعه دادند که می‌تواند با یک مدل از قبل آموزش دیده برای بخش‌بندی تصویر پزشکی استفاده شود. در این مورد، Tyche مدل را قادر می‌سازد تا با ایجاد تغییرات جزئی در تصاویر، چندین نامزد را خروجی دهد.

پیش‌بینی‌های بهتر و سریع‌تر

هنگامی که محققان Tyche را با مجموعه داده‌های تصاویر پزشکی مشروح آزمایش کردند، دریافتند که پیش‌بینی‌های آن تنوع حاشیه‌نویس‌های انسانی را به تصویر می‌کشد و بهترین پیش‌بینی‌های آن بهتر از مدل‌های پایه بود. Tyche همچنین سریعتر از بسیاری از مدل‌ها عمل کرد. راکیچ می‌گوید: “انتخاب چندین نامزد و اطمینان از تفاوت آنها با یکدیگر واقعاً به شما برتری می‌دهد”.محققان همچنین دریافتند که Tyche می‌تواند از مدل‌های پیچیده‌تری که با استفاده از مجموعه داده‌های بزرگ و تخصصی آموزش داده شده‌اند، بهتر عمل کند. برای کارهای آینده، آنها قصد دارند از یک مجموعه زمینه انعطاف‌پذیرتر، شاید شامل متن یا چندین نوع تصویر استفاده کنند. علاوه بر این، آنها می‌خواهند روش‌هایی را بررسی کنند که می‌تواند بدترین پیش‌بینی‌های Tyche را بهبود بخشد و سیستم را تقویت کند تا بتواند بهترین نامزدهای بخش‌بندی را توصیه کند.