Új Módszer az Orvosi Képalkotásban: A Konformális Klaszterezés Fejlesztése
A konformális klaszterezés ígéretes megoldást kínál az orvosi képalkotásban előforduló nehézségek kezelésére. Az orvosok számára kihívást jelenthet a betegségek azonosítása, különösen olyan esetekben, amikor a mellkas röntgenfelvételen a pleurális kiáramlás, azaz a tüdőben felhalmozódott folyadék, hasonlít a tüdőgyulladásra, amely gennyt vagy vért tartalmaz.
A mesterséges intelligencia (AI) modellek segítségével az orvosok hatékonyabban elemezhetik a röntgenfelvételeket, mivel ezek képesek az apró részletek azonosítására, ezáltal javítva a diagnózis folyamatát. Azonban a röntgenfelvételeken megjelenő különböző állapotok miatt az orvosoknak gyakran több lehetőséget is figyelembe kell venniük, nem csupán egyetlen AI-előrejelzést.
A Massachusetts Institute of Technology (MIT) kutatói most egy egyszerű és hatékony fejlesztést dolgoztak ki, amely akár 30%-kal csökkentheti a predikciós készletek méretét, miközben a jóslatok megbízhatóságát is növeli. A kisebb predikciós készlet lehetővé teheti az orvosok számára, hogy hatékonyabban azonosítsák a helyes diagnózist, ami javíthatja és felgyorsíthatja a betegek kezelését.
Divya Shanmugam, a Cornell Tech posztdoktori kutatója, aki ezt a kutatást az MIT hallgatójaként végezte, elmondta: “Kevesebb osztály figyelembevételével a predikciós készletek természetesen informatívabbak, mivel kevesebb lehetőség közül lehet választani. Értelemszerűen nem áldozunk fel semmit a pontosság szempontjából az információgazdagság érdekében.”
Shanmugam mellett a kutatásban részt vett Helen Lu, Swami Sankaranarayanan, valamint John Guttag, az MIT Számítástechnikai és Elektromérnöki Tanszékének professzora, aki a MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának tagja.
A kutatási eredményeket a Computer Vision and Pattern Recognition konferencián mutatják be júniusban.
A konformális klaszterezés során a modellek által készített predikciók helyett a legvalószínűbb diagnózisok készletét adják meg, amely garantálja, hogy a helyes diagnózis valahol a készletben található. Azonban a mesterséges intelligencia predikciókban rejlő inherens bizonytalanság gyakran túl nagy készleteket eredményez, amelyeket nehéz hasznosítani.
A kutatók a predikciós pontosság javítása érdekében egy olyan technikát alkalmaztak, amelyet a számítógépes látás modellek pontosságának javítására fejlesztettek ki, úgynevezett tesztidő augmentáció (TTA). Ez a technika több augmentációt készít egyetlen képből, például a kép megvágásával, megfordításával, nagyításával stb. Ezt követően a számítógépes látás modell alkalmazkodik minden verzióhoz, és aggregálja a predikciókat.
Shanmugam elmagyarázta: “Így több predikciót kapunk egyetlen példából. Az aggregált predikciók javítják a pontosságot és a robusztusságot.”
A kutatók a TTA alkalmazásához néhány címkézett képadatot tartottak vissza, amelyeket a konformális klaszterezés folyamatához használtak. Ezen adatok segítségével automatikusan augmentálják a képeket, maximalizálva a modell predikcióinak pontosságát.
Összességében a kutatás eredményei ígéretesek, és a jövőben a kutatók szeretnék validálni az új megközelítést a szövegek klaszterezésének kontextusában is.
Érdekes tény: Az AI rendszerek által használt konformális klaszterezés nemcsak az orvosi képalkotásban, hanem más területeken is, mint például az állatok fajtáinak azonosítása, rendkívül hasznos lehet.
Források: MIT, Computer Vision and Pattern Recognition konferencia, Cornell Tech
