Detekce lézí endometriózy založená na AI v reálném čase

V oblasti endometriózy byla před potvrzením laparoskopií použita umělá inteligence (AI) pro diagnózy nebo dokonce předpovědi endometriózy. Významný potenciál AI v minimálně invazivní chirurgii spočívá v automatické analýze obrazu, což pomáhá detekci struktur nebo anomálií založené na obrazových datech. To nabízí potenciál detekovat léze endometriózy během laparoskopie bez ohledu na indikaci. Školení a vytváření takových modelů AI se provádí pomocí algoritmů strojového učení založené na anotovaných datech. Tato tréninková data se skládají z obrazových dat s anotacemi na úrovni pixelů obsahu, který by měl model detekovat. Algoritmy Deep Learning (DL) se ukázaly jako účinné při analýze obrazu a spoléhaly na neuronové sítě, aby je autonomně vyplnily nejkritičtějšími kritérii rozhodování pro správnou analýzu obrazového obsahu. Vyškolený model AI pak může být aplikován na neznámá data, což poskytuje pravděpodobnost detekce struktury pro každý pixel. Možné vizuální výstupy modelu zahrnují nastínění detekovaného obsahu nebo segmentace, přiřazení předdefinovaného obsahu každému pixelu. Kvalita modelu zásadně závisí na dostatečně velkém počtu a kvalitě údajů o školení. Kvalita zahrnuje správnou anotaci dat, aby se zabránilo modelu v chybách učení. Stejně důležité je diverzifikace obrazových dat zahrnutím negativních příkladů do datových sad školení a testování. Skóre F1 se používá jako měřítko kvality modelu a kombinuje přesnost (p) s odvoláním (R) na hodnotu mezi 0 a 1, na základě anotovaného testovacího datového souboru.

Cílem je dosáhnout vysokého skóre F1 pomocí výběru tréninkových dat a vhodnýho algoritmu DL. Parametry, jako je optimalizace přípravy obrazu nebo parametry algoritmu DL, jako je výběr různých neuronových sítí, mohou zlepšit skóre F1. Počet požadovaných tréninkových dat pro dobrý model AI závisí na složitosti otázky a počtu obsahu, který má být detekován, protože model může rozpoznat pouze naučený obsah. Po každém tréninku a testování je možné iterativně upravit výběr tréninkových dat pro různé otázky na základě dosažených skóre F1. V případě potřeby lze zvýšit počet údajů o školení a na základě výsledků lze identifikovat a korigovat problematické obrazové údaje, jako jsou chybějící anotace.