Conoce a Co-BioNet el sistema de IA adversarial de la Universidad de Monash que revoluciona el análisis de imágenes médicas, mejorando la precisión sin necesidad de extensas anotaciones humanas.
Conoce a Co-BioNet, el sistema de IA de la Universidad de Monash que revoluciona el análisis de imágenes médicas sin necesidad de anotaciones humanas.
El aprendizaje profundo ha avanzado significativamente la inteligencia artificial en medicina. Sin embargo, plantea el desafío de requerir grandes cantidades de datos anotados para el entrenamiento, lo cual puede ser laborioso y propenso a sesgos humanos, especialmente en tareas de segmentación de imágenes. Investigadores de la Universidad de Monash reconocieron la disponibilidad limitada de imágenes médicas anotadas por humanos y, en respuesta, propusieron un enfoque innovador de aprendizaje adversarial para abordar este problema. Su objetivo es avanzar en el análisis de imágenes médicas, beneficiando a radiólogos y expertos en salud. La dependencia actual de anotaciones manuales humanas es lenta, subjetiva y propensa a errores, lo que destaca la necesidad de una solución alternativa.
Tradicionalmente, los radiólogos y otros expertos médicos anotan las exploraciones médicas a mano, resaltando áreas específicas de interés, como tumores u otras lesiones. Sin embargo, este método se basa en la interpretación subjetiva de las personas, es lento y propenso a errores, especialmente en modalidades médicas en 3D (por ejemplo, MRI o CT), lo que lleva a tiempos de espera prolongados para los pacientes que buscan tratamientos. Además, delinear estructuras anatómicas (órganos o tejidos) en imágenes médicas requiere una entrada manual tediosa debido a que las imágenes médicas suelen tener cortes de bajo contraste con regiones ambiguas.
El equipo de investigación de la Universidad de Monash desarrolló un sistema de IA de “doble vista” para superar las limitaciones de las técnicas tradicionales de anotación de imágenes médicas. Este enfoque innovador involucra dos componentes que compiten entre sí: una parte emula la experiencia de los radiólogos al etiquetar imágenes médicas, mientras que la otra evalúa la calidad de las etiquetas generadas por IA al compararlas con las exploraciones anotadas proporcionadas por los radiólogos humanos. Al aprovechar datos etiquetados y no etiquetados, el algoritmo de IA propuesto mejora la precisión y logra resultados innovadores en el aprendizaje semisupervisado. Incluso con anotaciones limitadas, los modelos de IA pueden tomar decisiones informadas, validar evaluaciones iniciales y producir diagnósticos y decisiones de tratamiento más precisos. Este avance ofrece una alternativa prometedora a las extensas anotaciones humanas en el análisis de imágenes médicas.
En su novedoso algoritmo de IA, los investigadores utilizan redes críticas para permitir que cada vista del sistema de IA aprenda de las predicciones de alta confianza de la otra teoría. Al incorporar incertidumbre, el sistema de IA puede medir eficazmente la calidad de las etiquetas generadas, mejorando la precisión de la segmentación de imágenes médicas. Para aprender conjuntamente las dos vistas y los críticos, los investigadores formulan el problema de aprendizaje como una optimización min-max, lo que conduce a una segmentación más robusta y precisa.
- Investigadores de Meta AI y la Universidad de Cambridge examinan có...
- Intérprete de código de ChatGPT Haz Ciencia de Datos en minutos
- Explorando Patrones de Diseño en Sistemas de Aprendizaje Automático...
En sus experimentos, los investigadores compararon el rendimiento de su método propuesto con baselines de última generación. La evaluación fue cualitativa y cuantitativa, involucrando cuatro conjuntos de datos públicos con múltiples modalidades, como tomografía computarizada (CT) e imágenes de resonancia magnética (MRI). Los resultados demostraron que el método semisupervisado propuesto superó a las baselines competidoras, logrando un rendimiento competitivo en comparación con enfoques totalmente supervisados. En tres conjuntos de datos médicos públicamente accesibles, utilizar solo el 10% de datos etiquetados resultó en una mejora promedio del 3% en comparación con el método más reciente de última generación en condiciones idénticas. Este resultado destaca la eficiencia del marco de co-entrenamiento guiado por incertidumbre en la generación de máscaras de segmentación plausibles, facilitando procesos de segmentación semi-automatizados y avanzando en el análisis de imágenes médicas para radiólogos y expertos en salud.
Arquitectura Propuesta
El sistema de IA desarrollado por el equipo de investigación de la Universidad de Monash representa un avance significativo en el análisis de imágenes médicas. Al permitir que los modelos de IA tomen decisiones informadas y validen sus evaluaciones, tiene el potencial de descubrir diagnósticos y decisiones de tratamiento más precisos. El compromiso del equipo de seguir investigando y desarrollando, incluyendo la expansión de la aplicación a diferentes imágenes médicas y la creación de un producto dedicado de extremo a extremo para radiólogos, demuestra su dedicación para avanzar en la atención médica a través de la tecnología de IA.
