자궁 내막증 병변의 AI 기반 실시간 검출

자궁 내막증 분야에서, 인공 지능 (AI)은 복강경 검사를 통한 확인 전에 자궁 내막증의 진단 또는 예측에 사용되었습니다. 최소 침습 수술에서 AI의 중요한 잠재력은 자동 이미지 분석에 있으며, 이미지 데이터에 기초한 구조 또는 이상의 탐지를 지원합니다. 이것은 적응증에 관계없이 복강경 검사 동안 자궁 내막증 병변을 감지 할 수있는 잠재력을 제공합니다. 이러한 AI 모델을 교육하고 생성하는 것은 주석이 달린 데이터를 기반으로 한 머신 러닝 알고리즘을 사용하여 수행됩니다. 이러한 교육 데이터는 모델이 감지 해야하는 컨텐츠의 픽셀 수준 주석이있는 이미지 데이터로 구성됩니다. 딥 러닝 (DL) 알고리즘은 이미지 분석에 효과적인 것으로 입증되었으며, 신경망에 의존하여 이미지 컨텐츠의 올바른 분석을위한 가장 중요한 결정 기준으로 자율적으로 채우기 위해 신경망에 의존합니다. 그런 다음 훈련 된 AI 모델을 알 수없는 데이터에 적용하여 각 픽셀에 대한 구조를 감지 할 확률을 제공 할 수 있습니다. 모델의 가능한 시각적 출력에는 감지 된 컨텐츠 또는 세그먼트를 요약하고 각 픽셀에 사전 정의 된 컨텐츠를 할당하는 것이 포함됩니다. 모델의 품질은 충분히 많은 수와 교육 데이터의 품질에 결정적으로 의존합니다. 품질에는 모델이 학습 오류를 방지하기 위해 정확한 데이터 주석이 포함됩니다. 교육 및 테스트 데이터 세트에 부정적인 예를 포함하여 이미지 데이터를 다각화하는 것도 마찬가지로 중요합니다. F1- 점수는 주석이 달린 테스트 데이터 세트를 기반으로 정밀 (p)과 리콜 (R)을 0과 1 사이의 값으로 결합하여 모델의 품질의 척도로 사용됩니다.

목표는 교육 데이터 선택 및 적절한 DL 알고리즘을 통해 높은 F1- 점수를 달성하는 것입니다. 이미지 준비 최적화 또는 다른 신경망을 선택하는 것과 같은 DL 알고리즘 매개 변수와 같은 매개 변수는 F1- 점수를 향상시킬 수 있습니다. 좋은 AI 모델에 필요한 교육 데이터의 수는 모델이 학습 된 내용 만 인식 할 수 있기 때문에 질문의 복잡성과 탐지 할 내용의 수에 따라 다릅니다. 각 교육 및 테스트 후 달성 된 F1- 점수를 기반으로 다양한 질문에 대한 교육 데이터 선택을 반복적으로 조정할 수 있습니다. 필요한 경우 교육 데이터의 수를 증가시킬 수 있으며, 주석 누락과 같은 문제가있는 이미지 데이터를 결과에 따라 식별하고 수정할 수 있습니다.