Incontra Co-BioNet il sistema di IA avversaria dell’Università di Monash che rivoluziona l’analisi delle immagini mediche, migliorando la precisione senza richiedere estese annotazioni umane.

Co-BioNet, l'IA dell'Università di Monash, rivoluziona l'analisi di immagini mediche, migliorando la precisione senza richiedere annotazioni umane estese.

Il deep learning ha notevolmente avanzato l’intelligenza artificiale medica. Tuttavia, pone la sfida di richiedere grandi quantità di dati annotati per l’addestramento, che può essere laborioso e soggetto a pregiudizi umani, specialmente nelle attività di segmentazione delle immagini. I ricercatori dell’Università di Monash hanno riconosciuto la limitata disponibilità di immagini mediche annotate dall’uomo e, in risposta, hanno proposto un innovativo approccio di apprendimento avversario per affrontare questo problema. Mirano a far avanzare l’analisi delle immagini mediche, a beneficio dei radiologi e degli esperti sanitari. L’attuale dipendenza dalle annotazioni manuali umane è lenta, soggettiva e soggetta a errori, sottolineando la necessità di una soluzione alternativa.

Tradizionalmente, i radiologi e altri esperti medici annotano le scansioni mediche a mano, evidenziando aree specifiche di interesse, come tumori o altre lesioni. Tuttavia, questo metodo si basa sull’interpretazione soggettiva degli individui, è lento e soggetto a errori, specialmente quando si tratta di modalità mediche 3D (ad esempio, MRI CT), il che porta a tempi di attesa prolungati per i pazienti che cercano trattamenti. Inoltre, la delineazione delle strutture anatomiche (organi o tessuti) nelle immagini mediche richiede un tedioso inserimento manuale perché le immagini mediche di solito hanno fette a basso contrasto con regioni ambigue.

Il team di ricerca dell’Università di Monash ha sviluppato un sistema AI “a doppia visione” per superare i limiti delle tecniche tradizionali di annotazione delle immagini mediche. Questo approccio innovativo prevede due componenti che si sfidano a vicenda: una parte emula l’esperienza dei radiologi etichettando le immagini mediche, mentre l’altra valuta la qualità delle etichette generate dall’AI confrontandole con le scansioni annotate limitate fornite dai radiologi umani. Sfruttando i dati etichettati e non etichettati, l’algoritmo AI proposto migliora l’accuratezza e ottiene risultati rivoluzionari nell’apprendimento semi-supervisionato. Anche con annotazioni limitate, i modelli AI possono prendere decisioni informate, convalidare valutazioni iniziali e produrre diagnosi e decisioni di trattamento più accurate. Questo avanzamento offre un’alternativa promettente alle estese annotazioni umane nell’analisi delle immagini mediche.

• Trasforma immagini in video con l’AI (Tutorial Runway 2)
• Gli ricercatori del CMU propongono TIDEE un agente incarnato in grado di mettere in ordine stanze mai viste prima senza alcuna istruzione esplicita
• I ricercatori della USC propongono una nuova sfida di apprendimento continuo condiviso (SKILL) che impiega una popolazione decentralizzata di agenti LL che ognuno apprende sequenzialmente compiti diversi, con tutti gli agenti che operano indipendentemente e in parallelo.

Nel loro nuovo algoritmo AI, i ricercatori utilizzano reti critiche per consentire a ciascuna vista del sistema AI di apprendere dalle previsioni ad alta affidabilità dell’altra teoria. Incorporando l’incertezza, il sistema AI può misurare efficacemente la qualità delle etichette generate, migliorando l’accuratezza della segmentazione delle immagini mediche. Per apprendere congiuntamente le doppie viste e i critici, i ricercatori formulano il problema di apprendimento come un’ottimizzazione min-max, ottenendo una segmentazione più robusta e accurata.

Nelle loro prove, i ricercatori hanno confrontato le prestazioni del loro metodo proposto rispetto a basi di confronto all’avanguardia. La valutazione è stata qualitativa e quantitativa, coinvolgendo quattro set di dati pubblici con modalità multiple, come la tomografia computerizzata (CT) e l’imaging a risonanza magnetica (MRI). I risultati hanno dimostrato che il metodo semi-supervisionato proposto ha superato le basi di confronto concorrenti ottenendo prestazioni competitive rispetto agli approcci completamente supervisionati. In tre set di dati medici accessibili al pubblico, utilizzando solo il 10% dei dati etichettati si è ottenuto un miglioramento medio del 3% rispetto al metodo all’avanguardia più recente nelle stesse condizioni. Questo risultato evidenzia l’efficienza del framework di co-training guidato dall’incertezza nella generazione di maschere di segmentazione plausibili, facilitando i processi di segmentazione semi-automatica e avanzando l’analisi delle immagini mediche per i radiologi e gli esperti sanitari.

Architettura proposta

Il sistema AI sviluppato dal team di ricerca dell’Università di Monash rappresenta una significativa svolta nell’analisi delle immagini mediche. Consentendo ai modelli AI di prendere decisioni informate e convalidare le loro valutazioni, ha il potenziale per scoprire diagnosi e decisioni di trattamento più accurate. L’impegno del team nella ricerca e nello sviluppo, compresa l’espansione dell’applicazione a diverse immagini mediche e la creazione di un prodotto dedicato end-to-end per i radiologi, dimostra la loro dedizione nel promuovere l’assistenza sanitaria attraverso la tecnologia AI.