"Avere diverse opzioni può facilitare il processo decisionale. Anche solo constatare l'incertezza di un'immagine medica può influenzare le scelte di una persona, quindi è importante tenerne conto", afferma Marianne Rakic, dottoranda in informatica al MIT.

Rakic ​​è l'autore principale di un articolo pubblicato con altri ricercatori del MIT, del Broad Institute del MIT e di Harvard e del Massachusetts General Hospital, che introduce un nuovo strumento di intelligenza artificiale in grado di rilevare l'incertezza in un'immagine medica.

Il sistema, noto come Tyche (dal nome del dio greco della fortuna), offre molteplici segmentazioni plausibili che evidenziano aree leggermente distinte di un'immagine medica. L'utente può specificare quante opzioni Tyche offre e selezionare quella più appropriata alle proprie esigenze.

E, cosa ancora più importante, Tyche è in grado di affrontare nuove attività di segmentazione senza bisogno di essere riaddestrato. L'addestramento è un processo ad alta intensità di dati che prevede di mostrare al modello molti esempi e richiede una vasta esperienza nell'apprendimento automatico.

Poiché non richiede una formazione specifica, Tyche potrebbe essere più facile da usare rispetto ad altri metodi per medici e ricercatori biomedici. Potrebbe essere applicato "pronto all'uso" a una varietà di compiti, dall'identificazione di lesioni su una radiografia del torace all'individuazione di anomalie su una risonanza magnetica cerebrale.

In definitiva, questo sistema potrebbe migliorare le diagnosi o essere d'aiuto nella ricerca biomedica, evidenziando informazioni potenzialmente cruciali che altri strumenti di intelligenza artificiale potrebbero non rilevare.

"L'ambiguità non è stata studiata a sufficienza. Se il vostro modello trascura un nodo che tre esperti affermano essere presente e due affermano non esserlo, probabilmente dovreste prestarvi attenzione", aggiunge Adrian Dalca, autore principale, professore assistente presso la Harvard Medical School e il Massachusetts General Hospital (MGH), e ricercatore presso il Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT.

Tra i suoi coautori figurano Hallee Wong, studentessa laureata in Ingegneria Elettrica e Informatica; José Javier González Ortiz, PhD (23); Beth Cimini, direttrice associata di Bioimaging Analysis presso il Broad Institute; e John Guttag, professore di Informatica e Ingegneria Elettrica titolare della cattedra Dugald C. Jackson. Rakic ​​presenterà Tyche alla conferenza IEEE su Computer Vision and Pattern Recognition, dove Tyche è stato selezionato come progetto di spicco.

Affrontare l'ambiguità

I sistemi di intelligenza artificiale per la segmentazione di immagini mediche spesso utilizzano reti neurali. Basate sul cervello umano, le reti neurali sono modelli di apprendimento automatico composti da molti strati interconnessi di nodi, o neuroni, che elaborano i dati.

Dopo aver parlato con i collaboratori del Broad Institute e del Massachusetts General Hospital (MGH) che utilizzano questi sistemi, i ricercatori si sono resi conto che ci sono due problemi principali che ne limitano l'efficacia. I modelli non sono in grado di gestire l'incertezza e devono essere riaddestrati anche per un compito di segmentazione leggermente diverso.

Alcuni metodi tentano di superare uno degli ostacoli, ma affrontare entrambi i problemi con un'unica soluzione si è rivelato particolarmente difficile, afferma Rakic.

"Se si vuole tenere conto dell'ambiguità, spesso è necessario utilizzare un modello estremamente complesso. Con il metodo che proponiamo, il nostro obiettivo è renderlo facile da usare con un modello relativamente piccolo, in modo che possa fare previsioni rapidamente", afferma.

I ricercatori hanno creato Tyche modificando una semplice architettura di rete neurale.

Innanzitutto, l'utente fornisce a Tyche alcuni esempi che illustrano il compito di segmentazione. Ad esempio, gli esempi potrebbero includere diverse immagini di lesioni in una risonanza magnetica cardiaca che sono state segmentate da diversi esperti umani, in modo che il modello possa apprendere il compito e rendersi conto che esiste un'ambiguità.

I ricercatori hanno scoperto che bastano solo 16 immagini di esempio, chiamate "set di contesto", affinché il modello effettui buone previsioni, ma non esiste un limite al numero di esempi utilizzabili. Il set di contesto permette a Tyche di risolvere nuovi compiti senza bisogno di essere riaddestrato.

Per consentire a Tyche di cogliere l'incertezza, i ricercatori hanno modificato la rete neurale in modo che producesse previsioni multiple basate su un'immagine medica in ingresso e sull'insieme di contesti. Hanno regolato i livelli della rete in modo che, man mano che i dati passavano da un livello all'altro, le segmentazioni candidate prodotte a ogni passaggio potessero "comunicare" tra loro e con gli esempi presenti nell'insieme di contesti.

In questo modo, il modello può garantire che le segmentazioni candidate siano tutte leggermente diverse, ma che risolvano comunque il problema.

"È come lanciare i dadi. Se il tuo modello può ottenere un due, un tre o un quattro, ma non sa che hai già un due e un quattro, allora uno di questi può comparire di nuovo", spiega.

Hanno inoltre modificato il processo di addestramento per premiarlo massimizzando la qualità della sua migliore previsione.

Se l'utente richiede cinque previsioni, potrà infine visualizzare le cinque segmentazioni di immagini mediche prodotte da Tyche, sebbene una possa risultare migliore delle altre.

I ricercatori hanno anche sviluppato una versione di Tyche utilizzabile con un modello di segmentazione di immagini mediche pre-addestrato. In questo caso, Tyche permette al modello di generare più candidati attraverso lievi trasformazioni dell'immagine.

Previsioni migliori e più rapide

Quando i ricercatori hanno testato Tyche con set di dati di immagini mediche annotate, hanno scoperto che le sue previsioni coglievano la diversità degli annotatori umani e che le sue previsioni migliori erano superiori a quelle di qualsiasi modello di riferimento. Inoltre, Tyche si è dimostrato più veloce della maggior parte dei modelli.

"Presentare più candidati e assicurarsi che siano diversi l'uno dall'altro offre un reale vantaggio", afferma Rakic.

I ricercatori hanno inoltre osservato che Tyche poteva superare in prestazioni modelli più complessi addestrati su un ampio set di dati specializzato.

Guardando al futuro, prevedono di sperimentare con una serie di contesti più flessibili, magari includendo testo o vari tipi di immagini. Vogliono anche esplorare metodi per migliorare le previsioni poco precise di Tyche e perfezionare il sistema in modo che possa raccomandare i candidati di targeting più adatti.

Questa ricerca è finanziata, in parte, dai National Institutes of Health, dall'Eric and Wendy Schmidt Center del Broad Institute del MIT e di Harvard e da Quanta Computer.

###

Articolo di Adam Zewe, MIT News