.
Pesquisadores da Monash University projetaram um novo algoritmo de IA de co-treinamento para imagens médicas que pode efetivamente imitar o processo de busca de uma segunda opinião.
Publicado recentemente em Inteligência da Máquina da Naturezaa pesquisa abordou a disponibilidade limitada de imagens médicas anotadas ou rotuladas por humanos usando uma abordagem de aprendizado adversária ou competitiva contra dados não rotulados.
Esta pesquisa, pelas faculdades de engenharia e TI da Monash University, avançará no campo da análise de imagens médicas para radiologistas e outros especialistas em saúde.
O candidato a PhD Himashi Peiris, da Faculdade de Engenharia, disse que o projeto de pesquisa se propôs a criar uma competição entre os dois componentes de um sistema de IA de “visão dupla”.
“Uma parte do sistema de IA tenta imitar como os radiologistas leem as imagens médicas, rotulando-as, enquanto a outra parte do sistema julga a qualidade das varreduras rotuladas geradas pela IA, comparando-as com as varreduras rotuladas limitadas fornecidas pelos radiologistas”, disse Dona Peiris.
“Tradicionalmente, os radiologistas e outros especialistas médicos anotam ou rotulam exames médicos manualmente, destacando áreas específicas de interesse, como tumores ou outras lesões. Esses rótulos fornecem orientação ou supervisão para modelos de IA de treinamento.
“Este método depende da interpretação subjetiva dos indivíduos, é demorado e sujeito a erros e longos períodos de espera para os pacientes que procuram tratamentos.”
A disponibilidade de conjuntos de dados de imagens médicas anotadas em grande escala geralmente é limitada, pois requer esforço, tempo e experiência significativos para anotar muitas imagens manualmente.
O algoritmo desenvolvido pelos pesquisadores da Monash permite que vários modelos de IA aproveitem as vantagens exclusivas de dados rotulados e não rotulados e aprendam com as previsões uns dos outros para ajudar a melhorar a precisão geral.
“Ao longo dos três conjuntos de dados médicos acessíveis ao público, utilizando uma configuração de dados rotulados de 10%, alcançamos uma melhoria média de 3% em comparação com a abordagem de última geração mais recente sob condições idênticas”, disse Peiris.
“Nosso algoritmo produziu resultados inovadores em aprendizado semi-supervisionado, superando os métodos de ponta anteriores. Ele demonstra desempenho notável mesmo com anotações limitadas, ao contrário de algoritmos que dependem de grandes volumes de dados anotados.
“Isso permite que os modelos de IA tomem decisões mais informadas, validem suas avaliações iniciais e descubram diagnósticos e decisões de tratamento mais precisos”.
A próxima fase da pesquisa se concentrará na expansão do aplicativo para trabalhar com diferentes tipos de imagens médicas e no desenvolvimento de um produto ponta a ponta dedicado que os radiologistas possam usar em suas práticas.
O estudo publicado em máquina da natureza Inteligência foi liderado pelo professor associado Mehrtash Harandi e conduzido pelo pesquisador principal, Himashi Peiris, um Ph.D. candidato na Faculdade de Engenharia da Monash University, juntamente com o Professor Associado Zhaolin Chen, o Dr. Munawar Hayat e o Professor Gary Egan, da Monash Biomedical Imaging e da Faculdade de Tecnologia da Informação.
.
