O modelo de IA atinge alta precisão para a segmentação do tumor hepático

O câncer de fígado é o sexto câncer mais comum globalmente e uma das principais causas de mortes relacionadas ao câncer. A segmentação precisa dos tumores hepáticos é uma etapa crucial para o gerenciamento da doença, mas a segmentação manual por radiologistas é trabalhosa intensiva e geralmente resulta em variações baseadas em especialização.

Os modelos de segmentação de tumores baseados em inteligência artificial (AI) revolucionaram a avaliação do tumor na imagem médica-usando profundas redes neurais convolucionais, identificam e descrevem a forma, tamanho e localização exatos de um tumor em uma imagem de varredura médica. Mas sua eficácia vem com uma forte dependência de grandes volumes de dados (normalmente variando de 1.000 a 10.000 casos). Este requisito para o Big Data é uma grande barreira na IA médica.

Para superar essa barreira, uma equipe de pesquisadores liderados pelo professor Kenji Suzuki e um Ph.D. O aluno, Yuqiao Yang, da Unidade de Pesquisa Biomédica da IA ​​do Instituto of Science Tóquio (Science Tóquio), Japão, desenvolveu um modelo inovador de IA que pode segmentar com precisão tumores hepáticos de tomografia computadorizada (TC)-mesmo quando treinados usando conjuntos de dados extremamente pequenos-superestas do desempenho de sistemas atuais de estadual. O estudo deles é publicado na revista IEEE Acesso.

No coração dessa inovação, há uma nova arquitetura chamada Rede Neural de Patch (MHP-NET), com várias escalas. O MHP-Net funciona dividindo imagens médicas em pequenos patches de imagem 3D-para que a IA possa se concentrar em uma parte de cada vez, e não em toda a imagem. Em seguida, ele emparelha cada patch da imagem CT original com uma versão aprimorada correspondente, alcançada através de uma técnica chamada Filtragem Hessiana. A filtragem hessiana ajuda a destacar objetos esféricos, como tumores na imagem.

O resultado é um mapa de segmentação de tumores de alta resolução que delineia com precisão os tumores hepáticos de tomografia computadorizada com contraste. Para avaliar o desempenho do modelo, a equipe usou a “pontuação de similaridade dos dados”, que compara o quão bem a segmentação prevista corresponde à verdade do fundamento (geralmente anotada por radiologistas especializados) em uma escala de 0 a 1.

“Apesar de um conjunto de treinamento limitado de 7, 14 e 28 tumores, alcançamos escores de dados de alto desempenho de 0,691, 0,709 e 0,719, respectivamente”, observa Suzuki. “Com essas pontuações, nosso modelo supera os principais modelos estabelecidos, como rede U, res-u-net e hdense-u-net”.

Além de seu desempenho promissor, a arquitetura leve do modelo permite treinamento rápido (menos de 10 minutos) e inferência em tempo real (~ 4 segundos por paciente), tornando-o altamente adequado para uso, mesmo em ambientes clínicos com recursos computacionais limitados.

“Este é apenas um começo no campo da IA ​​de pequenos dados, onde modelos de aprendizado profundo significativo e clinicamente relevante podem ser construídos a partir de conjuntos de dados limitados”, diz Suzuki. “O sucesso da MHP-Net pode inspirar soluções de AI de pequenos dados em outras áreas de imagem médica, como a detecção de câncer raro”.

O estudo mostra o potencial da IA ​​de pequenos dados na análise de imagem médica. Ao reduzir o limiar para os dados necessários para o treinamento, a mhp-Net democratiza o uso da IA ​​na análise de imagens médicas, especialmente em hospitais e clínicas com poucos recursos com acesso limitado aos dados. No futuro, os pesquisadores planejam explorar aplicações mais amplas de modelos de IA de pequenos dados-abordando a implantação escalável, econômica e versátil da IA ​​na assistência médica em todo o mundo.