AI -pohjainen reaaliaikaisen endometrioosivaurioiden havaitseminen

Endometrioosin alalla keinotekoista älykkyyttä (AI) on käytetty endometrioosin diagnooseihin tai jopa ennusteisiin ennen vahvistusta laparoskopian kautta. AI: n merkittävä potentiaali minimaalisesti invasiivisessa leikkauksessa on automaattinen kuvaanalyysi, joka auttaa kuvatietojen perusteella rakenteiden tai poikkeavuuksien havaitsemista. Tämä tarjoaa potentiaalin havaita endometrioosivaurioita laparoskopian aikana indikaatiosta riippumatta. Tällaisten AI -mallien kouluttaminen ja luominen tehdään käyttämällä koneoppimisalgoritmeja, jotka perustuvat merkittyihin tietoihin. Nämä koulutustiedot koostuvat kuvatiedoista, joissa mallin tulisi havaita pikselin tason merkinnät. Deep Learning (DL) -algoritmit ovat osoittautuneet tehokkaiksi kuvan analysoinnissa, luottaen hermoverkkoihin itsenäisesti täyttämään ne kriittisimmällä päätöksenteon kriteereillä kuvan sisällön oikealle analysoimiseksi. Koulutettua AI -mallia voidaan sitten soveltaa tuntemattomiin tietoihin, jolloin rakenne havaitaan jokaiselle pikselille. Mallin mahdollisiin visuaalisiin lähdöihin sisältyy havaittu sisältö tai segmentointi, määritetty ennalta määritetty sisältö jokaiselle pikselille. Mallin laatu riippuu ratkaisevasti riittävän suuresta määrästä ja laadusta harjoitustietojen. Laatu sisältää oikean merkinnän datan estämiseksi mallin oppimisvirheiden estämiseksi. Kuvatietojen monipuolistaminen sisällyttämällä negatiivisia esimerkkejä koulutus- ja testitietojoukkoihin on yhtä tärkeää. F1-pistettä käytetään mallin laadun mittana, yhdistämällä tarkkuus (P) palauttamiseen (R) arvoon 0-1, joka perustuu merkinnän testitietojoukkoon.

Tavoitteena on saavuttaa korkea F1-pistemäärä valitsemalla harjoitustiedot ja sopiva DL-algoritmi. Parametrit, kuten kuvanvalmistuksen optimointi tai DL-algoritmiparametrit, kuten erilaisten hermoverkkojen valitseminen, voivat parantaa F1-pistettä. Hyvän AI -mallin vaadittavien koulutustietojen lukumäärä riippuu kysymyksen monimutkaisuudesta ja havaittavan sisällön lukumäärästä, koska malli voi tunnistaa vain oppineen sisällön. On mahdollista säätää iteratiivisesti harjoitustietojen valintaa erilaisille kysymyksille saavutettujen F1-pisteiden perusteella kunkin koulutuksen ja testauksen jälkeen. Tarvittaessa koulutustietojen lukumäärää voidaan lisätä, ja ongelmalliset kuvatiedot, kuten puuttuvat merkinnät, voidaan tunnistaa ja korjata tulosten perusteella.