SciTechDaily

ניקולס

פתיחת תעלומות רפואיות: התובנה המהפכנית של Tyche AI ​​לגבי עמימות

חוקרים מ-MIT וממקומות אחרים פיתחו מסגרת למידת מכונה שיכולה ליצור מספר תשובות הגיוניות כאשר מתבקשים לזהות מחלה אפשרית בתמונות רפואיות. על ידי לכידת העמימות המובנית בתמונות אלה, טכניקה זו יכולה למנוע מרופאים להחמיץ מידע חיוני שיכול להודיע ​​לאבחנות. קרדיט: חדשות MIT; iStock

על ידי אספקת מפות תוויות סבירות לתמונה רפואית אחת, מודל לימוד המכונה של Tyche יכול לעזור לקלינאים ולחוקרים ללכוד מידע חיוני.

בביו-רפואה, פילוח כולל הערת פיקסלים ממבנה חשוב בתמונה רפואית, כמו איבר או תא. מודלים של בינה מלאכותית יכולים לעזור לרופאים על ידי הדגשת פיקסלים שעשויים להראות סימנים של מחלה או אנומליה מסוימת.

עם זאת, מודלים אלה בדרך כלל מספקים רק תשובה אחת, בעוד שהבעיה של פילוח תמונה רפואית היא לרוב רחוקה משחור ולבן. חמישה מפרשים אנושיים מומחים עשויים לספק חמישה פילוחים שונים, אולי חולקים על קיומם או היקף הגבולות של גושים בתמונת CT ריאות.

אימוץ אי ודאות באבחון

"אפשרויות יכולות לעזור בקבלת החלטות. אפילו לראות שיש אי ודאות בתמונה רפואית יכול להשפיע על החלטות של מישהו, אז חשוב לקחת את אי הוודאות הזה בחשבון", אומרת מריאן ראקיץ', MIT מועמד לדוקטורט במדעי המחשב.

Rakic ​​הוא המחבר הראשי של מאמר עם אחרים ב-MIT, ב-Broad Institute of MIT והרווארד ובבית החולים הכללי של מסצ'וסטס שמציג כלי בינה מלאכותית חדש שיכול ללכוד את אי הוודאות בתמונה רפואית.

הקדמה של Tyche

המכונה Tyche (על שם אלוהות המקרה היוונית), המערכת מספקת פילוחים סבירים מרובים שכל אחד מדגיש אזורים מעט שונים בתמונה רפואית. משתמש יכול לציין כמה אפשרויות Tyche מוציא ולבחור את האופציה המתאימה ביותר למטרה שלהם.

חשוב לציין, Tyche יכול להתמודד עם משימות פילוח חדשות ללא צורך בהכשרה מחדש. הדרכה היא תהליך עתיר נתונים הכולל הצגת מודל דוגמאות רבות ודורש ניסיון רב בלימוד מכונה.

מכיוון שאין צורך בהכשרה מחדש, Tyche יכול להיות קל יותר לשימוש של קלינאים וחוקרים ביו-רפואיים מאשר בשיטות אחרות. ניתן ליישם אותו "מחוץ לקופסה" עבור מגוון משימות, מזיהוי נגעים בצילום רנטגן ריאות ועד איתור חריגות ב-MRI מוחי.

בסופו של דבר, מערכת זו יכולה לשפר אבחנות או לסייע במחקר ביו-רפואי על ידי הפניית תשומת לב למידע בעל פוטנציאל מכריע שכלי AI אחרים עלולים להחמיץ.

"עמימות לא נחקר. אם המודל שלך מפספס לחלוטין גוש ששלושה מומחים אומרים שהוא קיים ושניים מומחים אומרים שלא, זה כנראה משהו שאתה צריך לשים לב אליו", מוסיף הסופר הבכיר אדריאן דלקה, עוזר פרופסור בבית הספר לרפואה של הרווארד ו-MGH, ומחקר מדען במעבדה למדעי המחשב והבינה המלאכותית של MIT (CSAIL).

מחבריהם השותפים כוללים את האלי וונג, סטודנטית לתואר שני בהנדסת חשמל ומדעי המחשב; חוסה חאבייר גונזלס אורטיז PhD '23; בת' צ'ימיני, מנהלת משנה לניתוח ביודימוי במכון ברוד; וג'ון גוטאג, פרופסור דוגאלד סי ג'קסון למדעי המחשב והנדסת חשמל. Rakic ​​תציג את Tyche בכנס IEEE בנושא ראייה ממוחשבת וזיהוי דפוסים, שבו Tyche נבחרה כגולת הכותרת.

טיפול בעמימות עם AI

מערכות AI לפילוח תמונה רפואית משתמשות בדרך כלל ברשתות עצביות. המבוססות באופן רופף על המוח האנושי, רשתות עצביות הן מודלים של לימוד מכונה הכוללים שכבות רבות הקשורות זו לזו של צמתים, או נוירונים, המעבדים נתונים.

לאחר שדיברו עם משתפי פעולה ב-Broad Institute וב-MGH המשתמשים במערכות אלו, החוקרים הבינו ששתי סוגיות עיקריות מגבילות את יעילותן. המודלים אינם יכולים לתפוס אי ודאות ויש להכשיר אותם אפילו למשימת פילוח שונה במקצת.

שיטות מסוימות מנסות להתגבר על מלכודת אחת, אבל ההתמודדות עם שתי הבעיות בפתרון יחיד הוכיחה את עצמה כבעייתית במיוחד, אומר Rakic.

"אם אתה רוצה לקחת אי בהירות בחשבון, לעתים קרובות אתה צריך להשתמש במודל מסובך ביותר. עם השיטה שאנו מציעים, המטרה שלנו היא להקל על השימוש עם מודל קטן יחסית כדי שיוכל לבצע תחזיות במהירות", היא אומרת.

החוקרים בנו את Tyche על ידי שינוי ארכיטקטורת רשת עצבית פשוטה.

משתמש מזין תחילה את Tyche בכמה דוגמאות המציגות את משימת הפילוח. לדוגמה, דוגמאות יכולות לכלול מספר תמונות של נגעים ב-MRI לב אשר פוצלו על ידי מומחים אנושיים שונים כדי שהמודל יוכל ללמוד את המשימה ולראות שיש אי בהירות.

החוקרים גילו שרק 16 תמונות לדוגמה, הנקראות "סט הקשר", מספיקות למודל כדי ליצור תחזיות טובות, אך אין הגבלה למספר הדוגמאות שניתן להשתמש בהן. ערכת ההקשר מאפשרת ל-Tyche לפתור משימות חדשות ללא הכשרה מחדש.

כדי ש-Tyche יתפוס אי ודאות, החוקרים שינו את הרשת העצבית כך שהיא מפיקה תחזיות מרובות המבוססות על קלט תמונה רפואית אחת וקבוצת ההקשר. הם התאימו את שכבות הרשת כך שככל שהנתונים עוברים משכבה לשכבה, הפילוחים המועמדים המיוצרים בכל שלב יוכלו "לדבר" זה עם זה והדוגמאות בהקשר להגדיר.

בדרך זו, המודל יכול להבטיח שהפילוחים של המועמדים יהיו קצת שונים, אבל עדיין לפתור את המשימה.

"זה כמו להטיל קוביות. אם הדוגמנית שלך יכולה לגלגל שתיים, שלוש או ארבע, אבל לא יודעת שיש לך כבר שתיים וארבע, אז כל אחת מהן עשויה להופיע שוב", היא אומרת.

הם גם שינו את תהליך האימון כך שהוא מתוגמל על ידי מיקסום איכות החיזוי הטוב ביותר שלו.

אם המשתמש ביקש חמש תחזיות, בסופו של דבר הוא יכול לראות את כל חמשת פילוחי התמונות הרפואיים ש-Tyche ייצר, למרות שאחד עשוי להיות טוב יותר מהאחרים.

החוקרים פיתחו גם גרסה של Tyche שניתן להשתמש בה עם מודל קיים ומאומן מראש לפילוח תמונה רפואית. במקרה זה, Tyche מאפשר למודל להוציא מספר מועמדים על ידי ביצוע טרנספורמציות קלות לתמונות.

תחזיות טובות יותר, מהירות יותר

כאשר החוקרים בדקו את Tyche עם מערכי נתונים של תמונות רפואיות מוערות, הם גילו שהתחזיות שלו תפסו את המגוון של כותבים אנושיים, ושהתחזיות הטובות ביותר שלו היו טובות יותר מכל אחת מהמודלים הבסיסיים. Tyche גם ביצעה ביצועים מהירים יותר מרוב הדגמים.

"הצגת מועמדים מרובים והבטחה שהם שונים זה מזה באמת נותנת לך יתרון", אומר Rakic.

החוקרים גם ראו ש-Tyche יכול להעלות ביצועים טובים יותר ממודלים מורכבים יותר שהוכשרו באמצעות מערך נתונים גדול ומיוחד.

לעבודה עתידית, הם מתכננים לנסות להשתמש בסט הקשר גמיש יותר, אולי כולל טקסט או סוגים מרובים של תמונות. בנוסף, הם רוצים לבחון שיטות שיכולות לשפר את התחזיות הגרועות ביותר של Tyche ולשפר את המערכת כך שתוכל להמליץ ​​על המועמדים הטובים ביותר לפילוח.

מחקר זה ממומן, בחלקו, על ידי המכונים הלאומיים לבריאותמרכז אריק וונדי שמידט ב-Broad Institute של MIT והרווארד, ו-Quanta Computer.

ניקולס