Обнаружение в реальном времени на основе искусственного интеллекта поражений эндометриоза

В области эндометриоза искусственный интеллект (ИИ) использовался для диагнозов или даже прогнозов эндометриоза до подтверждения с помощью лапароскопии. Значительный потенциал ИИ в минимально инвазивной хирургии заключается в автоматическом анализе изображений, помогая в обнаружении структур или аномалий на основе данных изображения. Это дает потенциал для обнаружения поражений эндометриоза во время лапароскопии независимо от указания. Обучение и создание таких моделей ИИ выполняются с использованием алгоритмов машинного обучения на основе аннотированных данных. Эти учебные данные состоят из данных изображения с аннотациями на уровне пикселей контента, которые должна обнаружить модель. Алгоритмы глубокого обучения (DL) оказались эффективными в анализе изображений, полагаясь на нейронные сети, чтобы автономно заполнить их наиболее важными критериями решения для правильного анализа содержания изображения. Обученная модель ИИ может затем быть применена к неизвестным данным, обеспечивая вероятность обнаружения структуры для каждого пикселя. Возможные визуальные выходы модели включают в себя описание обнаруженного контента или сегментирования, назначение предопределенного контента каждому пикселю. Качество модели зависит от достаточно большого количества и качества данных обучения. Качество включает в себя правильную аннотацию данных, чтобы не дать модели ошибки обучения. Диверсификация данных изображения путем включения отрицательных примеров в наборы обучения и тестирования одинаково важна. F1-показатель используется в качестве меры качества модели, объединяя точность (p) с отзывами (r) до значения от 0 до 1, на основе аннотированного набора тестирования.

Цель состоит в том, чтобы достичь высокой оценки F1 за счет выбора учебных данных и соответствующего алгоритма DL. Такие параметры, как оптимизация подготовки изображений или параметры алгоритма DL, такие как выбор различных нейронных сетей, могут улучшить показатель F1. Количество необходимых учебных данных для хорошей модели ИИ зависит от сложности вопроса и количества обнаруженного содержания, поскольку модель может распознавать только ученый контент. Можно итеративно отрегулировать выбор учебных данных для различных вопросов, основанных на достигнутых показателях F1 после каждого обучения и тестирования. При необходимости может быть увеличено количество учебных данных, а проблематичные данные изображения, такие как отсутствующие аннотации, могут быть идентифицированы и исправлены на основе результатов.