Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
Yapay Zeka Başka Bir Yapay Zekadan Tıbbi Taramalar Hakkında İkinci Bir Görüş İsteyebiliyor
Monash Üniversitesi'ndeki araştırmacılar, tıbbi görüntüleme için ikinci bir görüş alma sürecini etkili bir şekilde taklit edebilen yeni bir AI algoritması tasarladılar. Yakın zamanda Nature Machine Intelligence'da…
Monash Üniversitesi'ndeki araştırmacılar, tıbbi görüntüleme için ikinci bir görüş alma sürecini etkili bir şekilde taklit edebilen yeni bir AI algoritması tasarladılar. Yakın zamanda Nature Machine Intelligence'da yayınlanan araştırma, etiketlenmemiş verilere karşı düşmanca veya rekabetçi bir öğrenme yaklaşımı kullanarak açıklamalı veya etiketli insan tıbbi görüntülerinin sınırlı kullanılabilirliğini ele aldı.
Monash Üniversitesi Mühendislik ve Bilişim fakülteleri tarafından yürütülen bu araştırmanın, radyologlar ve diğer sağlık uzmanları için tıbbi görüntü analizi alanında ilerleme sağlayacağı öngörülüyor. Mühendislik Fakültesi'nden doktora adayı Himashi Peiris, araştırma tasarımının "çift görüşlü" bir AI sisteminin iki bileşeni arasında bir rekabet yaratmak için yola çıktığını söyledi: “AI sisteminin bir kısmı, radyologların tıbbi görüntüleri etiketleyerek nasıl okuduklarını taklit etmeye çalışırken, sistemin diğer kısmı, AI tarafından oluşturulan etiketli taramaların kalitesini radyologlar tarafından sağlanan sınırlı etiketli taramalarla karşılaştırarak yargılıyor. Geleneksel olarak radyologlar ve diğer tıp uzmanları, tıbbi taramalara, tümörler veya diğer lezyonlar gibi belirli ilgi alanlarını vurgulayarak elle açıklama ekler veya etiketler. Bu etiketler, yapay zeka modellerinin eğitimi için rehberlik veya denetim sağlar. Bu yöntem, bireylerin sübjektif yorumlarına dayanır, zaman alıcıdır ve tedavi arayan hastalar için hatalara ve uzun bekleme sürelerine eğilimlidir.”
Birçok görüntüye manuel olarak açıklama eklemek, önemli çaba, zaman ve uzmanlık gerektirdiğinden, büyük ölçekli açıklamalı tıbbi görüntü veri setlerinin mevcudiyeti genellikle sınırlıdır. Monash araştırmacıları tarafından geliştirilen algoritma, birden fazla AI modelinin, etiketli ve etiketsiz verilerin benzersiz avantajlarından yararlanmasına ve genel doğruluğu artırmaya yardımcı olmak için birbirlerinin tahminlerinden öğrenmesine olanak tanıyor. Peiris, “Yüzde 10 etiketli bir veri ayarı kullanan, halka açık üç tıbbi veri setinde, aynı koşullar altında en son teknoloji yaklaşımına kıyasla ortalama yüzde 3'lük bir iyileşme sağladık. Algoritmamız, yarı denetimli öğrenmede çığır açıcı sonuçlar üreterek önceki son teknoloji yöntemleri geride bıraktı. Büyük hacimli açıklamalı verilere dayanan algoritmaların aksine, sınırlı ek açıklamalarda bile dikkate değer bir performans sergiliyor. Bu, AI modellerinin daha bilinçli kararlar vermesini, ilk değerlendirmelerini doğrulamasını ve daha doğru teşhis ve tedavi kararlarını ortaya çıkarmasını sağlıyor.” dedi.
Araştırmanın bir sonraki aşaması, uygulamayı farklı türde tıbbi görüntülerle çalışacak şekilde genişletmeye ve radyologların uygulamalarında kullanabilecekleri uçtan uca özel bir ürün geliştirmeye odaklanacak.
Monash Üniversitesi Mühendislik ve Bilişim fakülteleri tarafından yürütülen bu araştırmanın, radyologlar ve diğer sağlık uzmanları için tıbbi görüntü analizi alanında ilerleme sağlayacağı öngörülüyor. Mühendislik Fakültesi'nden doktora adayı Himashi Peiris, araştırma tasarımının "çift görüşlü" bir AI sisteminin iki bileşeni arasında bir rekabet yaratmak için yola çıktığını söyledi: “AI sisteminin bir kısmı, radyologların tıbbi görüntüleri etiketleyerek nasıl okuduklarını taklit etmeye çalışırken, sistemin diğer kısmı, AI tarafından oluşturulan etiketli taramaların kalitesini radyologlar tarafından sağlanan sınırlı etiketli taramalarla karşılaştırarak yargılıyor. Geleneksel olarak radyologlar ve diğer tıp uzmanları, tıbbi taramalara, tümörler veya diğer lezyonlar gibi belirli ilgi alanlarını vurgulayarak elle açıklama ekler veya etiketler. Bu etiketler, yapay zeka modellerinin eğitimi için rehberlik veya denetim sağlar. Bu yöntem, bireylerin sübjektif yorumlarına dayanır, zaman alıcıdır ve tedavi arayan hastalar için hatalara ve uzun bekleme sürelerine eğilimlidir.”
Birçok görüntüye manuel olarak açıklama eklemek, önemli çaba, zaman ve uzmanlık gerektirdiğinden, büyük ölçekli açıklamalı tıbbi görüntü veri setlerinin mevcudiyeti genellikle sınırlıdır. Monash araştırmacıları tarafından geliştirilen algoritma, birden fazla AI modelinin, etiketli ve etiketsiz verilerin benzersiz avantajlarından yararlanmasına ve genel doğruluğu artırmaya yardımcı olmak için birbirlerinin tahminlerinden öğrenmesine olanak tanıyor. Peiris, “Yüzde 10 etiketli bir veri ayarı kullanan, halka açık üç tıbbi veri setinde, aynı koşullar altında en son teknoloji yaklaşımına kıyasla ortalama yüzde 3'lük bir iyileşme sağladık. Algoritmamız, yarı denetimli öğrenmede çığır açıcı sonuçlar üreterek önceki son teknoloji yöntemleri geride bıraktı. Büyük hacimli açıklamalı verilere dayanan algoritmaların aksine, sınırlı ek açıklamalarda bile dikkate değer bir performans sergiliyor. Bu, AI modellerinin daha bilinçli kararlar vermesini, ilk değerlendirmelerini doğrulamasını ve daha doğru teşhis ve tedavi kararlarını ortaya çıkarmasını sağlıyor.” dedi.
Araştırmanın bir sonraki aşaması, uygulamayı farklı türde tıbbi görüntülerle çalışacak şekilde genişletmeye ve radyologların uygulamalarında kullanabilecekleri uçtan uca özel bir ürün geliştirmeye odaklanacak.