O modelo de IA recebe alta precisão para a divisão de tumores hepáticos

O câncer de fígado é o sexto câncer mais comum global e uma das principais causas de mortes relacionadas ao câncer. A divisão precisa dos tumores hepáticos é um passo importante para o gerenciamento da doença, mas a divisão manual pelo radiologista é intensiva em mão-de-obra e geralmente é o resultado da variação, dependendo da experiência.

Inteligência Artificial (AI)-O modelo de segmentação do tumor revolucionou a avaliação do tumor imagem médica-Cantar Rede de nervo de confusão profundaEles fazem a forma, a forma e a localização exatos de um tumor em uma imagem de varredura médica. Mas sua eficácia vem com uma forte dependência de grandes versões de dados (geralmente de 1.000 a 10.000 casos). Requer isso big data A IA médica é um grande obstáculo.

Para superar esse obstáculo, uma equipe de pesquisadores liderados pelo professor Kenji Suzuki e Ph.D. Estudantes da unidade de pesquisa de IA biomédica do Instituto de Ciência Tóquio (Science Tóquio), Yukiao Yang, Japão, desenvolveu um modelo inovador de IA, que pode desmantelar com precisão o tumor do fígado de um varredor de computadores (TC), uma tomografia comparada (CT) pode ser desmantelante. Está pronto. Seu estudo é publicado na revista IEEE AcessoAssim,

Existe uma nova arquitetura no coração dessa inovação chamada Rede Neural Baseada em Patch Hassian-Anansed Multi-Scal (MHP-NET). O MHP-NET funciona dividindo imagens médicas em pequenos patches de imagem em 3D, então a IA pode se concentrar em uma parte de cada vez, em vez de toda a imagem. Em seguida, ele é emparelhado com uma versão aprimorada relacionada a partir da imagem CT original, obtida através de uma técnica chamada Filtragem de Hesion. A filtragem de Hesion ajuda a destacar objetos esféricos como o tumor na imagem.

O resultado é uma alta resolução tempestade O mapa da partição que retrata com precisão o tumor de fígado da tomografia computadorizada abrangente. Para avaliar o desempenho do modelo, a equipe usou a “pontuação da igualdade de dados”, que compara que uma divisão estimada corresponde à verdade fundamental (geralmente anotada pelo radiologista especialista) em uma escala de 0 a 1.

Suzuki disse: “Apesar dos conjuntos de treinamento limitados de 7, 14 e 28 tumores, obtivemos uma pontuação de dados de alto desempenho de 0,691, 0,709 e 0,719, respectivamente”. “Com essas pontuações, nosso modelo atravessa os principais modelos instalados, como rede U, res-Net e hdense-u-net”.

Além de seu desempenho promissor, a arquitetura leve do modelo permite treinamento rápido (menos de 10 minutos) e estimativas reais de tempo (~ 4 segundos por paciente), tornando -o altamente adequado para uso em ambientes clínicos com recursos computacionais limitados.

“Este é apenas um começo no campo da IA ​​de pequenos-deta, onde modelos de aprendizado profundo significativo e clinicamente relevante podem ser feitos de um conjunto de dados limitado”, diz Suzuki. “O sucesso do MHP-NET também pode induzir soluções de IA de pequenos-detações em outras áreas de imagem médica, como a detecção de câncer raro”.

A terapia do estudo mostra a capacidade da IA ​​de pequenos-deta na análise de imagem. Ao reduzir o limiar para os dados necessários para o treinamento, a mhp-net democratiza o uso de IA na análise de imagens médicas, especialmente em hospitais e clínicas de baixo uso com acesso limitado aos dados. No futuro, os pesquisadores planejam detectar amplas aplicações de modelos de pequenos medidas de IA que abordam a implantação escalável, econômica e versátil da IA ​​em cuidados de saúde em todo o mundo.