Wykrywanie endometriozy w czasie rzeczywistym oparte na AI

W dziedzinie endometriozy zastosowano sztuczną inteligencję (AI) do diagnozowania, a nawet prognoz endometriozy przed potwierdzeniem przez laparoskopię. Znaczący potencjał AI w chirurgii minimalnie inwazyjnej polega na automatycznej analizie obrazu, pomagając w wykrywaniu struktur lub anomalii opartych na danych obrazu. Daje to potencjał wykrywania zmian endometriozy podczas laparoskopii niezależnie od wskazania. Szkolenie i tworzenie takich modeli AI odbywa się przy użyciu algorytmów uczenia maszynowego w oparciu o dane z adnotacjami. Te dane szkoleniowe składają się z danych obrazu z adnotacją na poziomie pikseli treści, którą model powinien wykryć. Algorytmy głębokiego uczenia się (DL) okazały się skuteczne w analizie obrazu, opierając się na sieciach neuronowych w celu autonomicznego wypełnienia ich najważniejszymi kryteriami decyzyjnymi dla prawidłowej analizy zawartości obrazu. Wyszkolony model AI można następnie zastosować do nieznanych danych, zapewniając prawdopodobieństwo wykrycia struktury dla każdego piksela. Możliwe wyjścia wizualne modelu obejmują opisywanie wykrytych treści lub segmentacji, przypisanie predefiniowanej zawartości do każdego piksela. Jakość modelu zależy zasadniczo od wystarczająco dużej liczby i jakości danych treningowych. Jakość obejmuje prawidłową adnotację danych, aby zapobiec błędom uczenia się modelu. Zróżnicowanie danych obrazu poprzez włączenie negatywnych przykładów w zestawach danych szkoleniowych i testowych jest równie ważne. Scen F1 jest używany jako miara jakości modelu, łącząc precyzję (P) z wycofaniem (R) do wartości od 0 do 1, w oparciu o zestaw danych testowych z adnotacjami.

Celem jest osiągnięcie wysokiego wyniku F1 poprzez wybór danych treningowych i odpowiedni algorytm DL. Parametry takie jak optymalizacja przygotowania obrazu lub parametry algorytmu DL, takie jak wybór różnych sieci neuronowych, mogą poprawić wynik F1. Liczba wymaganych danych szkoleniowych dla dobrego modelu AI zależy od złożoności pytania i liczby treści do wykrycia, ponieważ model może jedynie rozpoznać wyuczoną treść. Możliwe jest iteracyjne dostosowanie wyboru danych szkoleniowych dla różnych pytań w oparciu o osiągnięte wyniki F1 po każdym szkoleniu i testowaniu. W razie potrzeby można zwiększyć liczbę danych szkoleniowych, a problematyczne dane obrazu, takie jak brakujące adnotacje, można zidentyfikować i poprawić na podstawie wyników.