Un esempio di visualizzazione utilizzando l'architettura di rete neurale proposta, con una vista assiale (in alto) e una vista 3D (in basso). grigio cerebrale, bianco cerebrale, e le materie grigie cerebellari sono nascoste per una migliore illustrazione. Credito:IBM
L'imaging medico crea enormi quantità di dati:molti radiologi del pronto soccorso devono esaminare fino a 200 casi ogni giorno, e alcuni studi medici contengono fino a 3, 000 immagini. La raccolta di immagini di ogni paziente può contenere 250 GB di dati, in ultima analisi, la creazione di raccolte tra organizzazioni di dimensioni petabyte. All'interno di IBM Research, vediamo il potenziale nell'applicazione dell'IA per aiutare i radiologi a vagliare queste informazioni, compresa l'analisi delle immagini dal seno, fegato, ed esami polmonari.
I ricercatori IBM stanno applicando il deep learning per scoprire modi per superare alcune delle sfide tecniche che l'IA può affrontare durante l'analisi dei raggi X e di altre immagini mediche. Le loro ultime scoperte saranno presentate alla 21a Conferenza Internazionale su Medical Image Computing e Computer Assisted Intervention a Granada, Spagna, dal 16 al 20 settembre.
Le reti neurali artificiali possono spesso avere difficoltà ad apprendere se presentate con una quantità insufficiente di dati di addestramento. Queste reti affrontano anche la sfida di identificare regioni molto piccole in immagini raffiguranti anomalie, come noduli e masse, che potrebbero rappresentare tumori.
Al MICAI 2018, i ricercatori di IBM Research-Almaden e IBM Research-Haifa presenteranno documenti che descrivono nuovi approcci all'apprendimento profondo che potrebbero avere il potenziale per aiutare ad affrontare alcune di queste sfide.
Imparare da dati incompleti
IBM Research-Almaden Fellow Tanveer Syeda-Mahmood presenterà un nuovo design di rete AI che è stato dimostrato in uno studio essere in grado di analizzare il doppio dei potenziali marcatori di malattia nelle immagini 3D, così come piccole strutture accuratamente segmentate in quelle immagini, in metà del tempo rispetto alle architetture di rete basate sull'intelligenza artificiale precedentemente studiate.
I risultati del campione di una nuova architettura di rete mostrano il quadrilatero stimato in rosso e quello contrassegnato da un radiologo in blu. Le prestazioni sono un miglioramento significativo rispetto a un'architettura precedente. Credito:IBM
Le reti neurali profonde utilizzate per addestrare i sistemi di intelligenza artificiale a volte possono avere difficoltà a scomporre le immagini mediche, un processo chiamato segmentazione. Questo può presentare sfide per identificare con precisione piccoli marcatori di malattia, limitare l'uso di queste reti in ambito clinico. Il progetto è il nostro primo sforzo rivolto direttamente a questa sfida.
Allenare l'IA con dati minimi
Mehdi Moradi, Responsabile dell'analisi delle immagini e della ricerca sull'apprendimento automatico di IBM Research-Almaden, e colleghi discuteranno del loro studio sulle architetture di rete neurale che sono state addestrate utilizzando immagini e testo per contrassegnare automaticamente le regioni di nuove immagini mediche che i medici possono esaminare da vicino per i segni di malattia.
I ricercatori hanno addestrato una rete utilizzando dati combinati di immagini e testo e una seconda rete utilizzando testo e immagini separati, perché ci sono diversi modi in cui un sistema di imaging basato sull'intelligenza artificiale può ricevere input da analizzare. Nello studio, entrambe le reti individuano autonomamente potenziali minacce per la salute nelle radiografie del torace con un livello di accuratezza paragonabile a quello di radiologi esperti che analizzano e annotano le stesse immagini.
In questi esempi di rilevamento delle lesioni, i contorni rossi indicano le coppie rilevate automaticamente che corrispondono alla verità fondamentale; i contorni ciano sono rilevamenti automatici falsi positivi che sono stati ridotti dall'algoritmo a doppia visualizzazione. Credito:IBM
Riconoscere anomalie oscure
Gli scienziati dell'IBM Research-Haifa in Israele hanno sviluppato una rete neurale profonda specializzata progettata per il rilevamento e la localizzazione di massa nella mammografia mammaria e presenteranno i loro risultati al 4° seminario sull'analisi dell'immagine del seno del MICCAI.
Lo screening standard del cancro al seno prevede l'esecuzione di due proiezioni di raggi X mammografici per ciascun seno e il confronto delle visualizzazioni per individuare le aree di interesse. Il nuovo design della rete includeva sottoreti "siamesi" identiche, da cui le analisi sono state confrontate per produrre valutazioni di immagine. Lo studio ha suggerito un modo efficace per addestrare l'intelligenza artificiale a segnalare aree di tessuto mammario anormale e potenzialmente canceroso.
Poiché il numero di immagini mediche scattate negli Stati Uniti raggiunge le decine di milioni all'anno, le organizzazioni sanitarie si rivolgono sempre più all'intelligenza artificiale per aiutarle ad analizzare in modo accurato ed efficiente le informazioni vitali contenute nelle risonanze magnetiche dei pazienti, scansioni TC, e altri ausili diagnostici visivi. Un'indagine di Consumer Reports del 2015 ha rilevato che 80 milioni di scansioni TC da sole vengono eseguite ogni anno nei sistemi di imaging infusi di intelligenza artificiale degli Stati Uniti promettono di aiutare i medici a vagliare un gran numero di immagini, pianificare le opzioni di trattamento, ed eseguire studi clinici.
Questa storia è stata ripubblicata per gentile concessione di IBM Research. Leggi la storia originale qui.