Detección en tiempo real basada en AI de lesiones de endometriosis

En el campo de la endometriosis, la inteligencia artificial (IA) se ha utilizado para diagnósticos o incluso predicciones de endometriosis antes de la confirmación a través de la laparoscopia. El potencial significativo de IA en la cirugía mínimamente invasiva radica en el análisis automático de imágenes, ayudando en la detección de estructuras o anomalías basadas en datos de imágenes. Esto ofrece el potencial para detectar lesiones de endometriosis durante la laparoscopia independientemente de la indicación. La capacitación y la creación de tales modelos de IA se realizan utilizando algoritmos de aprendizaje automático basados ​​en datos anotados. Estos datos de entrenamiento consisten en datos de imagen con anotaciones a nivel de píxel del contenido que el modelo debe detectar. Los algoritmos de aprendizaje profundo (DL) han demostrado ser efectivos en el análisis de imágenes, confiando en redes neuronales para llenarlos de forma autónoma con los criterios de decisión más críticos para el análisis correcto del contenido de la imagen. El modelo AI capacitado se puede aplicar a datos desconocidos, proporcionando la probabilidad de detectar una estructura para cada píxel. Las posibles salidas visuales del modelo incluyen delinear el contenido detectado o la segmentación, asignando contenido predefinido a cada píxel. La calidad del modelo depende de manera crucial de un número suficientemente grande y la calidad de los datos de capacitación. La calidad incluye la anotación correcta de datos para evitar que el modelo se aprenda errores. Diversificar los datos de la imagen al incluir ejemplos negativos en los conjuntos de datos de capacitación y prueba es igualmente importante. El puntaje F1 se usa como una medida de la calidad del modelo, combinando precisión (P) con el recuerdo (R) a un valor entre 0 y 1, basado en un conjunto de datos de prueba anotado.

El objetivo es lograr un alto puntaje F1 a través de la selección de datos de entrenamiento y un algoritmo DL apropiado. Parámetros como la optimización de preparación de imágenes o los parámetros del algoritmo DL, como la selección de diferentes redes neuronales, pueden mejorar el puntaje F1. El número de datos de capacitación requeridos para un buen modelo de IA depende de la complejidad de la pregunta y el número de contenidos a detectar, ya que el modelo solo puede reconocer el contenido aprendido. Es posible ajustar iterativamente la selección de datos de entrenamiento para diferentes preguntas basadas en las puntuaciones F1 logradas después de cada entrenamiento y prueba. Si es necesario, se puede aumentar el número de datos de capacitación, y los datos de imagen problemáticos, como las anotaciones faltantes, pueden identificarse y corregirse en función de los resultados.