Разработан новый алгоритм искусственного интеллекта (ИИ) для работы с медицинскими изображениями, способный самообучаться за счет «второго мнения» другого ИИ. Результаты исследования опубликованы в журнале Nature Machine Intelligence.

Актуальность работы опосредована тем, что для обучения ИИ существует сравнительно небольшое количество размеченных данных по медицинским изображениям. Традиционный подход, при котором работа с изображением выполняется рентгенологами, отнимает достаточно большое количество времени, связан с субъективной оценкой и имеет тенденцию к ошибкам различного рода. Именно это обуславливает малое количество высококачественных баз данных с размеченными медицинскими изображениями.

В основу разработки новой системы легла идея о двухстороннем взгляде на изображение со стороны двух алгоритмов ИИ: одна часть системы производит разметку изображений (часть «ручной» работы, которая обычно отводится лицам с медицинским образованием – например, рентгенологам), в то время как другая часть системы оценивает качество этой разметки путем сравнения с «идеальной» разметкой, предоставленной специалистами.

Система была апробирована на трех общедоступных датасетах, использовала только 10% размеченных данных и при этом смогла добиться улучшения точности на 3% в сравнении с другими подходами, основанными на современных алгоритмах ИИ. Подобные системы ИИ принимают более информированные решения, проводят их внутреннюю валидацию, что в конечном счете позволяет принимать более точные решения с точки зрения диагностики и предлагаемых методов лечения.

В дальнейшем авторы намерены продолжить апробацию систему на других типах медицинских изображений, а также разработать окончательный программный продукт, который был бы доступен для работы врачам-клиницистам.

Источник: Himashi Peiris et al. Uncertainty-guided dual-views for semi-supervised volumetric medical image segmentation // Nature Machine Intelligence, 2023