Mesterséges intelligenciával készített CT-adatbázis, az Abdomenatlas
A mesterséges intelligencia (AI) az orvosi képalkotás alapvető eszközévé válik, segítve a radiológusokat a felvételek gyorsabb és pontosabb értékelésében. Az AI-modelleknek azonban hatalmas mennyiségű címkézett adatra van szükségük ahhoz, hogy jól működjenek, ami azt jelenti, hogy a radiológusok még mindig sok időt töltenek a képek kézi megjelölésével.
A Johns Hopkins Egyetem kutatói által vezetett új nemzetközi projekt megoldást kínál: az AbdomenAtlas adatbázis a világ 145 kórházából több mint 45 000 3D CT-vizsgálat eredményét tartalmazza, és 142 különböző anatómiai struktúrát képez le, így 36-szor nagyobb, mint a következő legnagyobb adatkészlet, a TotalSegmentator V2. Ez a hatalmas gyűjtemény várhatóan jelentősen javítja az AI képzését, lehetővé téve a gépek számára a szervek, daganatok és betegségek jobb észlelését. Az adatbázist és alkalmazásait a közelmúltban tették közzé a Medical Image Analysis folyóiratban.
A múltban a radiológusok manuálisan címkézték a szerveket a CT-vizsgálatokban. Ez a folyamat több ezer órát vett igénybe. Hogy érzékeltessük, mekkora munkáról van szó, 45 000 felvétel hatmillió anatómiai struktúrát tartalmazó címkézése azt jelentette volna, hogy egy orvos i. e. 420-ban – Hippokratész idejében – kellett volna elkezdje, és 2025-ig megállás nélkül dolgozzon.
A folyamat felgyorsítása érdekében a Johns Hopkins csapata Alan Yuille professzor vezetésével AI-modelleket használt a címkézési munkához. Megközelítésük három AI-rendszert kombinált, amelyeket meglévő címkézett adatkészleteken képeztek ki az új, címkézetlen vizsgálatok anatómiájának előrejelzésére. Ezek az AI-modellek ezután színkódolt figyelemtérképek segítségével kiemelték az áttekintésre szoruló területeket. Egy 12 radiológus szakértőből és medikusból álló csapat manuálisan ellenőrizte és finomította az AI előrejelzéseit.
Ez a mesterséges intelligenciával támogatott módszer drasztikusan csökkentette a vizsgálatok megjegyzésekkel való ellátásához szükséges időt. A daganatok címkézéséhez a folyamat 10-szer gyorsabb lett, míg a szervek esetében 500-szor gyorsabb volt, mint a kézi jegyzetelés. Ez tette lehetővé a kutatók számára, hogy kevesebb mint két év alatt elkészítsék a legnagyobb, teljesen feldolgozott hasi szervi adatbázist. Az adatbázis folyamatosan bővül, ahogy egyre több felvételt adnak hozzá, mesterséges és valódi tumormintákkal együtt. Ezek a kiegészítések segítenek az AI-modelleknek a rák felismerésében, a betegségek diagnosztizálásában, sőt a valódi betegek „digitális ikreinek” létrehozásában a személyre szabott orvosláshoz.
Az AI betanításán túl a AbdomenAtlas viszonyítási alapként szolgál más orvosi képalkotó algoritmusok értékeléséhez is. Az AI-modellek ilyen nagy adatkészleten történő tesztelésével a kutatók jobban biztosíthatják, hogy ezek a modellek megbízhatóan működjenek valós orvosi környezetben.
A csapat már használta az adatkészletet olyan versenyeken, mint például a BodyMaps Challenge, egy nemzetközi orvosi képalkotó konferencián, hogy ösztönözze a mesterséges intelligencia fejlesztését, amely pontos és praktikus a klinikai használatra.
Mérete ellenére a AbdomenAtlas az Egyesült Államokban évente végzett CT-vizsgálatoknak csak 0,05% -át teszi ki. A kutatók remélik, hogy több kórház és intézmény fog együttműködni az adatkészlet bővítésében. Úgy vélik, hogy az adatok megosztása és az intézmények közötti együttműködés elengedhetetlen a mesterséges intelligencia orvostudományban való használatának fejlesztéséhez. A AbdomenAtlas létrehozásával a csapat olyan hatékony erőforrást biztosított, amely átalakíthatja az orvosi képalkotást. Ahogy a mesterséges intelligencia folyamatosan fejlődik, az ilyen adatkészletek segítenek biztosítani, hogy a gépek minden eddiginél gyorsabban és pontosabban segíthessék az orvosokat a betegségek diagnosztizálásában.