AI -gebaseerde realtime detectie van endometriosis laesies

Op het gebied van endometriose is kunstmatige intelligentie (AI) gebruikt voor diagnoses of zelfs voorspellingen van endometriose vóór bevestiging door laparoscopie. Het significante potentieel van AI bij minimaal invasieve chirurgie ligt in automatische beeldanalyse, die helpt bij de detectie van structuren of anomalieën op basis van beeldgegevens. Dit biedt het potentieel om laesies van endometriose tijdens laparoscopie te detecteren, ongeacht de indicatie. Training en het maken van dergelijke AI -modellen worden gedaan met behulp van machine learning -algoritmen op basis van geannoteerde gegevens. Deze trainingsgegevens bestaan ​​uit beeldgegevens met annotaties op pixelniveau van de inhoud die het model moet detecteren. Deep Learning (DL) -algoritmen zijn effectief gebleken in beeldanalyse, afhankelijk van neurale netwerken om ze autonoom te vullen met de meest kritieke beslissingscriteria voor de juiste analyse van de beeldinhoud. Het getrainde AI -model kan vervolgens worden toegepast op onbekende gegevens, wat de kans biedt om een ​​structuur voor elke pixel te detecteren. Mogelijke visuele uitgangen van het model omvatten het schetsen van de gedetecteerde inhoud of segmentering, het toewijzen van vooraf gedefinieerde inhoud aan elke pixel. De kwaliteit van het model hangt cruciaal af van een voldoende groot aantal en kwaliteit van trainingsgegevens. Kwaliteit omvat de juiste annotatie van gegevens om te voorkomen dat het model leerfouten leert. Diversificatie van beeldgegevens door negatieve voorbeelden op te nemen in de training- en testgegevenssets is even belangrijk. De F1-score wordt gebruikt als een maat voor de kwaliteit van het model, waarbij precisie (P) wordt gecombineerd met terugroep (R) tot een waarde tussen 0 en 1, op basis van een geannoteerde testgegevensset.

Het doel is om een ​​hoge F1-score te bereiken door de selectie van trainingsgegevens en een geschikt DL-algoritme. Parameters zoals beeldvoorbereiding optimalisatie of DL-algoritmeparameters zoals het selecteren van verschillende neurale netwerken kunnen de F1-score verbeteren. Het aantal vereiste trainingsgegevens voor een goed AI -model hangt af van de complexiteit van de vraag en het aantal te detecteren inhoud, omdat het model alleen geleerde inhoud kan herkennen. Het is mogelijk om de selectie van trainingsgegevens voor verschillende vragen te herstellen op basis van de bereikte F1-scores na elke training en testen. Indien nodig kan het aantal trainingsgegevens worden verhoogd en kunnen problematische beeldgegevens, zoals ontbrekende annotaties, worden geïdentificeerd en gecorrigeerd op basis van de resultaten.