AI -basert sanntidsdeteksjon av endometriose -lesjoner

Innen endometriose har kunstig intelligens (AI) blitt brukt til diagnoser eller til og med prediksjoner om endometriose før bekreftelse gjennom laparoskopi. AIs betydelige potensial i minimalt invasiv kirurgi ligger i automatisk bildeanalyse, og hjelper til med å oppdage strukturer eller anomalier basert på bildedata. Dette gir potensial til å oppdage endometriose -lesjoner under laparoskopi uavhengig av indikasjonen. Trening og å lage slike AI -modeller gjøres ved hjelp av maskinlæringsalgoritmer basert på kommenterte data. Disse treningsdataene består av bildedata med merknader om pikselnivå av innholdet som modellen skal oppdage. Deep Learning (DL) algoritmer har vist seg effektive i bildeanalyse, og er avhengig av nevrale nettverk for å fylle dem autonomt med de mest kritiske beslutningskriteriene for riktig analyse av bildeinnholdet. Den trente AI -modellen kan deretter brukes på ukjente data, noe som gir sannsynligheten for å oppdage en struktur for hver piksel. Mulige visuelle utganger fra modellen inkluderer å skissere det detekterte innholdet eller segmentering, og tilordne forhåndsdefinert innhold til hver piksel. Kvaliteten på modellen avhenger avgjørende av et tilstrekkelig stort antall og kvalitet på treningsdata. Kvalitet inkluderer riktig merknad av data for å forhindre at modellen lærte feil. Å diversifisere bildedata ved å inkludere negative eksempler i trenings- og testdatasettene er like viktig. F1-score brukes som et mål på modellens kvalitet, og kombinerer presisjon (p) med tilbakekalling (r) til en verdi mellom 0 og 1, basert på et kommentert testdatasett.

Målet er å oppnå en høy F1-score gjennom valg av treningsdata og en passende DL-algoritme. Parametere som bildeforberedelsesoptimalisering eller DL-algoritmeparametere som å velge forskjellige nevrale nettverk kan forbedre F1-score. Antall nødvendige treningsdata for en god AI -modell avhenger av kompleksiteten i spørsmålet og antall innhold som skal oppdages, ettersom modellen bare kan gjenkjenne lært innhold. Det er mulig å iterativt justere utvalget av treningsdata for forskjellige spørsmål basert på de oppnådde F1-score etter hver trening og testing. Om nødvendig kan antall treningsdata økes, og problematiske bildedata, for eksempel manglende merknader, kan identifiseres og korrigeres basert på resultatene.