Оценка данных медицинской визуализации на основе ИИ обычно требует специально разработанного алгоритма для каждой задачи. Ученые из Немецкого центра исследования рака (DKFZ) представили новый метод настройки алгоритмов самообучения для большого количества различных наборов данных изображений — без необходимости в специальных знаниях или очень значительной вычислительной мощности.
При оценке данных медицинской визуализации искусственный интеллект (ИИ) обещает оказать поддержку врачам и помочь облегчить их рабочую нагрузку, особенно в области онкологии. Тем не менее, независимо от того, нужно ли измерять размер опухоли головного мозга для планирования лечения или необходимо документировать регресс метастазов в легких во время курса лучевой терапии, компьютеры сначала должны научиться интерпретировать наборы данных трехмерной визуализации из компьютерная томография (КТ) или магнитно-резонансная томография (МРТ). Они должны иметь возможность решить, какие пиксели принадлежат опухоли, а какие нет. Эксперты в области искусственного интеллекта называют процесс различения этих двух семантической сегментацией.
Для каждой отдельной задачи — например, распознавания рака почки на КТ-изображениях или рака груди на МРТ-изображениях — ученым необходимо разработать специальные алгоритмы, которые могут различать опухоль и неопухолевую ткань и могут делать прогнозы. Наборы данных изображений, для которых врачи уже вручную пометили опухоли, здоровые ткани и другие важные анатомические структуры, используются в качестве учебных материалов для машинного обучения.
Для разработки подобных алгоритмов сегментации требуются опыт и специальные знания. «Это нетривиально, и обычно для этого требуется много времени, проб и ошибок», — пояснил специалист по медицинской информатике Фабиан Изензее, один из ведущих авторов данной публикации. Он и его коллеги из подразделения DKFZ во главе с Клаусом Майер-Хайном разработали метод, который динамически и полностью автоматически адаптируется к любым наборам данных изображений, что позволяет даже людям с ограниченным опытом настраивать алгоритмы самообучения для конкретных задач .
Метод, известный как nnU-Net, может работать с широким спектром данных визуализации: помимо традиционных методов визуализации, таких как КТ и МРТ, он также может обрабатывать изображения, полученные с помощью электронной и флуоресцентной микроскопии.
Используя nnU-Net, исследователи DKFZ получили наилучшие результаты в 33 из 53 различных задач сегментации на международных соревнованиях, несмотря на конкуренцию с высокоспецифичными алгоритмами, разработанными экспертами для конкретных индивидуальных вопросов.
Источник: