Ιατρική απεικόνιση τεχνητή νοημοσύνη: Χάρη στην τεχνητή νοημοσύνη, το λογισμικό AIMOS είναι σε θέση να αναγνωρίζει οστά και όργανα σε τρισδιάστατες εικόνες σε κλίμακα του γκρι και να τα χωρίζει, γεγονός που καθιστά την επακόλουθη αξιολόγηση πολύ πιο εύκολη.
Οι τεχνικές απεικόνισης επιτρέπουν μια λεπτομερή εμφάνιση μέσα σε έναν οργανισμό. Αλλά η ερμηνεία των δεδομένων είναι χρονοβόρα και απαιτεί μεγάλη εμπειρία. Τα τεχνητά νευρικά δίκτυα ανοίγουν νέες δυνατότητες: Απαιτούν λίγα δευτερόλεπτα για να ερμηνεύσουν σαρώσεις ποντικών σε όλο το σώμα και να τμηματοποιήσουν και να απεικονίσουν τα όργανα σε χρώματα, αντί σε διάφορες αποχρώσεις του γκρι. Αυτό διευκολύνει σημαντικά την ανάλυση.
Πόσο μεγάλο είναι το συκώτι; Αλλάζει εάν λαμβάνεται φάρμακο; Είναι φλεγμονή των νεφρών; Υπάρχει όγκος στον εγκέφαλο και έχουν ήδη αναπτυχθεί μεταστάσεις; Προκειμένου να απαντήσουν σε τέτοιες ερωτήσεις, οι βιολόγοι και οι γιατροί έπρεπε να εξετάσουν και να ερμηνεύσουν μέχρι σήμερα πληθώρα δεδομένων.
“Η ανάλυση τρισδιάστατων διαδικασιών απεικόνισης είναι πολύ περίπλοκη”, εξηγεί ο Oliver Schoppe. Μαζί με μια διεπιστημονική ερευνητική ομάδα, ο ερευνητής του TUM έχει πλέον αναπτύξει αλγόριθμους αυτομάθησης για στο μέλλον να βοηθήσει στην ανάλυση δεδομένων βιοεπιστημονικής εικόνας.
Στον πυρήνα του λογισμικού AIMOS – η συντομογραφία σημαίνει Τμηματοποίηση ποντικιών που βασίζεται σε AI – είναι τεχνητά νευρικά δίκτυα που, όπως και ο ανθρώπινος εγκέφαλος, είναι σε θέση να μάθουν. «Συνήθιζες να πεις στα προγράμματα υπολογιστών τι ακριβώς θέλεις να κάνουν», λέει ο Schoppe. “Τα νευρικά δίκτυα δεν χρειάζονται τέτοιες οδηγίες:” Αρκεί να τα εκπαιδεύσετε παρουσιάζοντας ένα πρόβλημα και μια λύση πολλές φορές. Σταδιακά, οι αλγόριθμοι αρχίζουν να αναγνωρίζουν τα σχετικά πρότυπα και είναι σε θέση να βρουν οι ίδιοι τις σωστές λύσεις. ”
Εκπαίδευση αλγορίθμων αυτομάθησης
Στο έργο AIMOS, οι αλγόριθμοι εκπαιδεύτηκαν με τη βοήθεια εικόνων ποντικών . Ο στόχος ήταν να αντιστοιχιστούν τα σημεία εικόνας από την τρισδιάστατη σάρωση ολόκληρου του σώματος σε συγκεκριμένα όργανα, όπως στομάχι, νεφρά, ήπαρ, σπλήνα ή εγκέφαλο. Με βάση αυτήν την ανάθεση, το πρόγραμμα μπορεί στη συνέχεια να δείξει την ακριβή θέση και σχήμα.
«Ήμασταν αρκετά τυχεροί που μπορούσαμε να έχουμε πρόσβαση σε αρκετές εκατοντάδες εικόνα ποντικών από ένα διαφορετικό ερευνητικό έργο, τα οποία είχαν ήδη ερμηνευτεί από δύο βιολόγους», θυμάται ο Schoppe. Η ομάδα είχε επίσης πρόσβαση σε μικροσκοπικές 3-D σαρώσεις φθορισμού από το Ινστιτούτο Μηχανικής Ιστού και Αναγεννητική Ιατρική στο Helmholtz Zentrum München.
Μέσω μιας ειδικής τεχνικής, οι ερευνητές μπόρεσαν να αφαιρέσουν εντελώς τη βαφή από ποντίκια που είχαν ήδη πεθάνει. Τα διαφανή σώματα θα μπορούσαν να απεικονιστούν με μικροσκόπιο βήμα προς βήμα και στρώμα για στρώμα. Οι αποστάσεις μεταξύ των σημείων μέτρησης ήταν μόνο έξι μικρόμετρα – που είναι ισοδύναμο με το μέγεθος ενός κελιού. Οι βιολόγοι είχαν επίσης εντοπίσει τα όργανα σε αυτά τα σύνολα δεδομένων.
Η τεχνητή νοημοσύνη βελτιώνει την ακρίβεια
Στο TranslaTUM οι τεχνολογίες πληροφοριών παρουσίασαν τα δεδομένα στους νέους αλγόριθμους τους. Και αυτά έμαθαν γρηγορότερα από το αναμενόμενο, αναφέρει ο Schoppe: “Χρειαζόμασταν μόνο δέκα σαρώσεις ολόκληρου του σώματος προτού το λογισμικό μπορέσει να αναλύσει επιτυχώς τα δεδομένα εικόνας μόνο του – και μέσα σε λίγα δευτερόλεπτα. Χρειάζονται ανθρώπινες ώρες για να γίνει αυτό ”
Στη συνέχεια, η ομάδα έλεγξε την αξιοπιστία της τεχνητής νοημοσύνης με τη βοήθεια 200 περαιτέρω σαρώσεων ποντικών σε ολόκληρο το σώμα. “Το αποτέλεσμα δείχνει ότι οι αλγόριθμοι αυτομάθησης δεν είναι μόνο ταχύτεροι στην ανάλυση δεδομένων βιολογικής εικόνας από τους ανθρώπους, αλλά και πιο ακριβείς”, συνοψίζει ο καθηγητής Bjoern Menze, επικεφαλής της ομάδας Βιοϊατρικής Μοντελοποίησης με βάση την εικόνα στο TranslaTUM στο Πολυτεχνείο του Μονάχου .
Το έξυπνο λογισμικό πρόκειται να χρησιμοποιηθεί στο μέλλον, ιδίως στη βασική έρευνα: “Οι εικόνες των ποντικών είναι ζωτικής σημασίας, για παράδειγμα, για τη διερεύνηση των επιπτώσεων των νέων φαρμάκων προτού δοθούν στον άνθρωπο. Χρησιμοποιώντας αλγόριθμους αυτομάθησης για την ανάλυση δεδομένων εικόνας στο το μέλλον θα εξοικονομήσει πολύ χρόνο στο μέλλον “, τονίζει ο Menze.