Rilevamento in tempo reale basato sull'intelligenza artificiale di lesioni dell'endometriosi

Nel campo dell'endometriosi, l'intelligenza artificiale (AI) è stata utilizzata per diagnosi o addirittura previsioni di endometriosi prima della conferma attraverso la laparoscopia. Il potenziale significativo di AI nella chirurgia minimamente invasiva risiede nell'analisi automatica delle immagini, aiutando nella rilevazione di strutture o anomalie basate sui dati delle immagini. Ciò offre il potenziale per rilevare lesioni dell'endometriosi durante la laparoscopia indipendentemente dall'indicazione. La formazione e la creazione di tali modelli II vengono eseguiti utilizzando algoritmi di apprendimento automatico basati su dati annotati. Questi dati di formazione sono costituiti da dati di immagine con annotazioni a livello pixel del contenuto che il modello dovrebbe rilevare. Gli algoritmi di Deep Learning (DL) si sono dimostrati efficaci nell'analisi delle immagini, basandosi su reti neurali per riempirle autonomamente i criteri decisionali più critici per la corretta analisi del contenuto dell'immagine. Il modello AI addestrato può quindi essere applicato a dati sconosciuti, fornendo la probabilità di rilevare una struttura per ciascun pixel. Le possibili output visivi del modello includono delineare il contenuto o la segmentazione rilevati, assegnando il contenuto predefinito a ciascun pixel. La qualità del modello dipende in modo fondamentale da un numero sufficientemente elevato e dalla qualità dei dati di allenamento. La qualità include la corretta annotazione dei dati per impedire al modello di errori di apprendimento. Diversificare i dati delle immagini includendo esempi negativi nei set di dati di formazione e test è altrettanto importante. Il punteggio F1 viene utilizzato come misura della qualità del modello, combinando la precisione (P) con il richiamo (R) a un valore compreso tra 0 e 1, basato su un set di dati di test annotato.

L'obiettivo è ottenere un punteggio di F1 elevato attraverso la selezione di dati di allenamento e un algoritmo DL appropriato. Parametri come l'ottimizzazione della preparazione delle immagini o l'algoritmo DL Parametri come la selezione di reti neurali diverse possono migliorare il punteggio F1. Il numero di dati di allenamento richiesti per un buon modello di intelligenza artificiale dipende dalla complessità della domanda e dal numero di contenuti da rilevare, poiché il modello può solo riconoscere il contenuto appreso. È possibile regolare iterativamente la selezione dei dati di formazione per diverse domande in base ai punteggi F1 raggiunti dopo ogni allenamento e test. Se necessario, il numero di dati di addestramento può essere aumentato e i dati di immagine problematici, come le annotazioni mancanti, possono essere identificati e corretti in base ai risultati.