Оценка данных медицинской визуализации на основе искусственного интеллекта обычно требует специально разработанного алгоритма для каждой задачи. Ученые из Немецкого центра исследования рака (DKFZ) представили новый метод настройки алгоритмов самообучения для большого количества различных наборов данных изображений – без необходимости в специальных знаниях или очень значительной вычислительной мощности.
При оценке данных медицинской визуализации искусственный интеллект (ИИ) обещает оказать поддержку врачам и помочь облегчить их рабочую нагрузку, особенно в области онкологии. Тем не менее, независимо от того, нужно ли измерять размер опухоли головного мозга для планирования лечения или необходимо документировать регресс метастазов в легких во время курса лучевой терапии, компьютеры сначала должны научиться интерпретировать наборы данных трехмерной визуализации из компьютерная томография (КТ) или магнитно-резонансная томография (МРТ). Они должны быть в состоянии решить, какие пиксели принадлежат опухоли, а какие нет. Эксперты по ИИ называют процесс различения этих двух семантической сегментацией.
Для каждой индивидуальной задачи – например, распознавания рака почки на КТ-изображениях или рака груди на МРТ-изображениях – ученым необходимо разработать специальные алгоритмы, которые могут различать опухоль и неопухолевую ткань и могут делать прогнозы. Наборы данных изображений, для которых врачи уже вручную пометили опухоли, здоровые ткани и другие важные анатомические структуры, используются в качестве учебных материалов для машинного обучения.
Для разработки таких алгоритмов сегментации необходимы опыт и специальные знания. "Это нетривиально и обычно требует трудоемких проб и ошибок," пояснил специалист по медицинской информатике Фабиан Изензее, один из ведущих авторов данной публикации. Он и его коллеги из подразделения DKFZ, возглавляемого Клаусом Майер-Хайном, теперь разработали метод, который динамически и полностью автоматически адаптируется к любым наборам данных изображений, что позволяет даже людям с ограниченным предшествующим опытом настраивать алгоритмы самообучения для конкретных задач.
Метод, известный как nnU-Net, может обрабатывать широкий спектр данных визуализации: помимо традиционных методов визуализации, таких как КТ и МРТ, он также может обрабатывать изображения, полученные с помощью электронной и флуоресцентной микроскопии.
Используя nnU-Net, исследователи DKFZ получили наилучшие результаты в 33 из 53 различных задач сегментации на международных соревнованиях, несмотря на конкуренцию с очень специфическими алгоритмами, разработанными экспертами для конкретных индивидуальных вопросов.
Клаус Майер-Хайн и его команда делают nnU-Net доступным как инструмент с открытым исходным кодом, который можно загрузить бесплатно. "NnU-Net можно использовать немедленно, его можно обучить с использованием наборов данных для визуализации и выполнять специальные задачи – без каких-либо специальных знаний в области компьютерных наук или каких-либо особо значительных вычислительных мощностей," объяснил Клаус Майер-Хайн.
До сих пор оценка данных медицинской визуализации на основе искусственного интеллекта в основном применялась в исследовательских целях и еще не широко использовалась в рутинной клинической помощи онкологическим больным. Тем не менее, специалисты по медицинской информатике и врачи видят значительный потенциал его использования, например, для часто повторяющихся задач, таких как те, которые часто необходимо выполнять в рамках крупномасштабных клинических исследований. "NnU-Net может помочь раскрыть этот потенциал," директор исследования Майер-Хайн отметил.
Исследование опубликовано в Nature Methods.