Detecção em tempo real baseada em IA de lesões de endometriose

No campo da endometriose, a inteligência artificial (IA) tem sido usada para diagnóstico ou mesmo previsões de endometriose antes da confirmação por laparoscopia. O potencial significativo da IA ​​na cirurgia minimamente invasiva está na análise automática da imagem, auxiliando na detecção de estruturas ou anomalias com base nos dados da imagem. Isso oferece o potencial de detectar lesões de endometriose durante a laparoscopia, independentemente da indicação. O treinamento e a criação de modelos de IA são feitos usando algoritmos de aprendizado de máquina com base em dados anotados. Esses dados de treinamento consistem em dados de imagem com anotações em nível de pixel do conteúdo que o modelo deve detectar. Os algoritmos Deep Learning (DL) se mostraram eficazes na análise de imagens, confiando nas redes neurais para preenchê -las autonomamente com os critérios de decisão mais críticos para a análise correta do conteúdo da imagem. O modelo de IA treinado pode ser aplicado a dados desconhecidos, fornecendo a probabilidade de detectar uma estrutura para cada pixel. Possíveis saídas visuais do modelo incluem descrever o conteúdo detectado ou segmentar, atribuindo conteúdo predefinido a cada pixel. A qualidade do modelo depende crucialmente de um número suficientemente grande e qualidade dos dados de treinamento. A qualidade inclui a anotação correta dos dados para impedir que o modelo aprendesse erros. A diversificação de dados da imagem, incluindo exemplos negativos nos conjuntos de dados de treinamento e teste, é igualmente importante. A pontuação F1 é usada como uma medida da qualidade do modelo, combinando precisão (p) com recall (r) a um valor entre 0 e 1, com base em um conjunto de dados de teste anotado.

O objetivo é alcançar uma pontuação F1 alta através da seleção de dados de treinamento e um algoritmo DL apropriado. Parâmetros como a otimização de preparação de imagem ou parâmetros de algoritmo DL, como a seleção de diferentes redes neurais, podem melhorar a pontuação F1. O número de dados de treinamento necessários para um bom modelo de IA depende da complexidade da pergunta e do número de conteúdo a ser detectado, pois o modelo só pode reconhecer o conteúdo aprendido. É possível ajustar iterativamente a seleção de dados de treinamento para diferentes perguntas com base nas pontuações F1 alcançadas após cada treinamento e teste. Se necessário, o número de dados de treinamento pode ser aumentado e dados problemáticos de imagem, como anotações ausentes, podem ser identificados e corrigidos com base nos resultados.