Исследователи из Университета Аделаиды разработали новый подход к классификации эндометриоза, который считается первым в своем роде и сочетает в себе как модели машинного обучения, так и человеческие знания.

Команда IMAGENDO из Научно-исследовательского института Робинсона при Университете и Австралийского института машинного обучения (AIML) разработала систему — Совместное мультимодальное многооценочное обучение человека и искусственного интеллекта (HAICOMM) — и опубликовала свои первые результаты в журнале Physics in Medicine & Biology .

Было обнаружено, что HAICOMM устраняет три важные проблемы в диагностике путем объединения точек зрения ИИ и человека на нескольких этапах.

«Во-первых, он использует многофакторное обучение для определения более четкой и надежной метки путем объединения и уточнения нескольких непоследовательных или «шумных» меток для каждой обучающей выборки», — говорит доктор Юань Чжан, член команды IMAGENDO и научный сотрудник Исследовательского института Робинсона при Университете.

«Во-вторых, он включает в себя мультимодальное обучение, используя изображения МРТ, взвешенные по T1 и T2, как во время обучения, так и во время тестирования для улучшения понимания и точности системы.

«Наконец, HAICOMM представляет сотрудничество человека и искусственного интеллекта, объединяя прогнозы врачей с прогнозами модели искусственного интеллекта для достижения более точных и надежных классификаций, чем могли бы достичь врачи или искусственный интеллект по отдельности».

Основным диагностическим признаком эндометриоза является облитерация Дугласова пространства (небольшого пространства в женском тазу между маткой и прямой кишкой), которое даже опытным врачам бывает сложно точно определить на снимках МРТ.

Исследования показали, что ручная классификация облитерации Дугласова пространства по снимкам МРТ имеет чрезвычайно высокий уровень неопределенности: точность составляет всего 61,4–71,9%.

«Это также может усложнить обучение надежных моделей ИИ», — говорит доктор Чжан.

Эндометриоз, при котором ткань, похожая на слизистую оболочку матки, разрастается за ее пределами, поражает около 14% людей, родившихся женским полом.

В среднем пациентам требуется 6,4 года, чтобы получить официальный диагноз, который обычно происходит после выявления различных признаков с помощью визуализации и/или лапароскопической хирургии.

«Длительный период ожидания диагноза снижает качество жизни людей, страдающих этим заболеванием, а нынешняя зависимость от инвазивных процедур для диагностики увеличивает расходы на здравоохранение, создавая значительное бремя как для систем здравоохранения, так и для пациентов», — говорит доктор Чжан.

«Эти проблемы подчеркивают острую необходимость в инновационных диагностических решениях на основе визуализации, которые могут смягчить эти проблемы и одновременно улучшить уход за пациентами.

«HAICOMM — это первый метод, который исследует три важных аспекта проблемы диагностики эндометриоза: многофакторное обучение для извлечения более четкой метки из множества «шумных» меток, доступных в обучающей выборке, многомодальное обучение для использования наличия изображений МРТ для обучения и тестирования и сотрудничество человека и искусственного интеллекта для создания системы, которая использует прогнозы врачей и модели искусственного интеллекта для обеспечения более точной классификации, чем отдельные врачи и модели искусственного интеллекта».

Теперь исследовательская группа интегрирует эту технологию в запатентованный алгоритм IMAGENDO, который будет использовать как МРТ, так и трансвагинальные ультразвуковые изображения для диагностики эндометриоза.

«Включая многофакторное обучение, мультимодальные данные МРТ и взаимодействие человека и искусственного интеллекта, мы стремимся повысить точность и надежность алгоритма IMAGENDO», — говорит доктор Чжан.

«Кроме того, мы расширим возможности системы для выявления более широкого спектра признаков эндометриоза, включая узелки кишечника, эндометриомы и эндометриоз крестцово-маточных связок , а также облитерацию Дугласова пространства.

«Следующий этап будет включать оценку производительности этой усовершенствованной системы на различных наборах данных и ее применение в клинических условиях для дальнейшей оценки ее практической полезности и эффективности».

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.