AI -baseret realtidsdetektion af endometriose -læsioner

Inden for endometriose er kunstig intelligens (AI) blevet anvendt til diagnoser eller endda forudsigelser af endometriose før bekræftelse gennem laparoskopi. AIs betydelige potentiale i minimalt invasiv kirurgi ligger i automatisk billedanalyse og hjælper med påvisning af strukturer eller afvigelser baseret på billeddata. Dette giver potentialet til at detektere endometriose -læsioner under laparoskopi uanset indikationen. Uddannelse og oprettelse af sådanne AI -modeller udføres ved hjælp af maskinlæringsalgoritmer baseret på annoterede data. Disse træningsdata består af billeddata med kommentarer på pixelniveau af det indhold, som modellen skal registrere. Deep Learning (DL) algoritmer har vist sig at være effektive i billedanalyse, idet de er afhængige af neurale netværk for autonomt at udfylde dem med de mest kritiske beslutningskriterier for korrekt analyse af billedindholdet. Den trænede AI -model kan derefter anvendes til ukendte data, hvilket giver sandsynligheden for at detektere en struktur for hver pixel. Mulige visuelle udgange af modellen inkluderer skitsering af det detekterede indhold eller segmentering, der tildeler foruddefineret indhold til hver pixel. Kvaliteten af ​​modellen afhænger afgørende af et tilstrækkeligt stort antal og kvalitet af træningsdata. Kvaliteten inkluderer korrekt annotering af data for at forhindre modellen i at lære fejl. Diversificering af billeddata ved at inkludere negative eksempler i trænings- og testdatasættene er lige så vigtige. F1-score bruges som et mål for modellens kvalitet, der kombinerer præcision (P) med tilbagekaldelse (R) til en værdi mellem 0 og 1, baseret på et annoteret testdatasæt.

Målet er at opnå en høj F1-score gennem valg af træningsdata og en passende DL-algoritme. Parametre som optimering af billedforberedelse eller DL-algoritmeparametre, såsom at vælge forskellige neurale netværk, kan forbedre F1-score. Antallet af krævede træningsdata for en god AI -model afhænger af kompleksiteten af ​​spørgsmålet og antallet af indhold, der skal detekteres, da modellen kun kan genkende indlært indhold. Det er muligt at iterativt justere valg af træningsdata for forskellige spørgsmål baseret på de opnåede F1-score efter hver træning og test. Om nødvendigt kan antallet af træningsdata øges, og problematiske billeddata, såsom manglende kommentarer, kan identificeres og korrigeres baseret på resultaterne.