Notícias

Nov 13, 2023

Automático preciso

Volume de comunicações da natureza

Nature Communications volume 13, Número do artigo: 1867 (2022) Citar este artigo

7083 Acessos

6 Citações

17 Altmétrica

Detalhes das métricas

A incapacidade de rotular com precisão e eficiência grandes conjuntos de dados de imagens médicas de acesso aberto limita a implementação generalizada de modelos de inteligência artificial na área da saúde. Houve poucas tentativas, no entanto, de automatizar a anotação de tais bancos de dados públicos; uma abordagem, por exemplo, focada na rotulagem manual e trabalhosa de subconjuntos desses conjuntos de dados a serem usados ​​para treinar novos modelos. Neste estudo, descrevemos um método para rotulagem padronizada e automatizada com base na semelhança com um atlas derivado de modelo AI (xAI) previamente validado e explicável, para o qual o usuário pode especificar um limite quantitativo para um nível desejado de precisão (a probabilidade -de-semelhança, métrica pSim). Mostramos que nosso modelo xAI, calculando os valores pSim para cada rótulo de saída clínica com base na comparação com seu atlas de referência derivado do conjunto de treinamento, pode rotular automaticamente os conjuntos de dados externos para um alto nível de precisão selecionado pelo usuário, igualando ou excedendo esse de especialistas humanos. Além disso, mostramos que, ao ajustar o modelo original usando os exames rotulados automaticamente para retreinamento, o desempenho pode ser preservado ou melhorado, resultando em um modelo mais generalizado e altamente preciso.

A implementação da inteligência artificial médica (IA) na prática clínica em geral, e na prática da radiologia em particular, foi em grande parte limitada pelo tempo, custo e experiência necessários para rotular com precisão conjuntos de dados de imagem muito grandes, que podem servir como nível de platina verdade fundamental para treinar modelos de IA clinicamente relevantes. A capacidade de anotar de forma automática e eficiente grandes conjuntos de dados externos, para um nível de precisão selecionado pelo usuário, pode, portanto, ser de valor considerável no desenvolvimento de modelos de IA médica impactantes e importantes que agregam valor e são amplamente aceitos pelo comunidade de saúde. Essa abordagem não apenas tem o potencial de beneficiar o retreinamento para melhorar a precisão dos modelos de IA existentes, mas - por meio do uso de metodologia explicável baseada em atlas derivado de modelo1 - pode ajudar a padronizar a rotulagem de conjuntos de dados de código aberto2,3,4,5 , para os quais os rótulos fornecidos podem ser ruidosos, imprecisos ou ausentes. Essa padronização pode, por sua vez, reduzir o número de pontos de dados necessários para a construção de modelos precisos, facilitando, treinando e treinando novamente a partir de conjuntos de dados iniciais pequenos, mas bem anotados1,6.

Neste estudo, desenvolvemos e demonstramos um método para rotulagem padronizada e automatizada com base na semelhança com um modelo AI explicável (xAI) validado anteriormente, usando uma abordagem baseada em atlas derivada de modelo para a qual o usuário pode especificar um limite quantitativo para um desejado nível de precisão (a probabilidade de similaridade ou métrica pSim). Os valores de pSim variam de uma probabilidade "base" de similaridade (pSim = 0, menos seletiva) a uma probabilidade "máxima" de similaridade (pSim = 1, mais seletiva); pSim é calculado por comparação entre recursos de imagem derivados do conjunto de teste e recursos de imagem recuperados do atlas de referência do modelo (ou seja, biblioteca). Este atlas derivado do modelo é construído durante a construção do modelo (Fig. 1a) a partir dos casos do conjunto de treinamento (Fig. 1a, b). O valor pSim calculado reflete a média harmônica entre dois parâmetros relacionados ao modelo, a "semelhança do patch" e a "confiança" (Métodos, Fig. 1b, c).

Método de rotulagem padronizado e automatizado, com base na semelhança com um modelo AI (xAI) explicável de detecção de radiografia de tórax (CXR) validado anteriormente, usando uma abordagem baseada em atlas derivado de modelo xAI. a Nosso sistema de IA explicável baseado em atlas derivado de modelo quantitativo calcula um valor de probabilidade de similaridade (pSim) para rotulagem automatizada, com base na média harmônica entre a similaridade do patch e a confiança. A métrica pSim resultante pode ser aplicada a um algoritmo de "seleção de modo", para rotular as imagens de entrada externas para um limite de confiança selecionado ou alertar o usuário de que o valor pSim cai abaixo desse limite selecionado. b O método baseado em atlas derivado do modelo calcula a similaridade e a confiança do patch, com base no mapeamento de ativação de classe (CAM)38,39 e na probabilidade prevista do modelo, para cada rótulo de resultado clínico. c A média harmônica entre a similaridade e a confiança do patch é então usada para calcular um pSim para cada rótulo de saída clínica na seleção de modo.