Le immagini mediche, come ad esempio quelle visualizzate in una risonanza magnetica o radiografia, per l’occhio umano non sono semplici da comprendere in pieno, soprattutto per capire dove finisce una struttura, come per esempio un tumore, e dove ne inizia un’altra.
Nel momento in cui i sistemi di intelligenza artificiale sono addestrati a comprendere i confini delle strutture biologiche, possono delineare le regioni di interesse che i medici e gli operatori biomedici vogliono monitorare per le varie patologie. In sostanza, invece di perdere tempo a tracciare manualmente l’anatomia su varie immagini, il compito potrebbe essere svolto da un assistente artificiale.
Uno strumento interattivo
I ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, del Massachusetts General Hospital (MGH) e della Harvard Medical School hanno creato uno strumento interattivo chiamato ScribblePrompt. Si tratta di uno strumento in grado di segmentare velocemente un’immagine medica. Il team ha utilizzato algoritmi per annotare le scansioni, come fanno gli essere umani. Inoltre, hanno utilizzato algoritmi superpixel per scovare potenziali nuove regioni di interesse per i ricercatori medici e addestrare ScribblePrompt a segmentarle.
L’IA ha un potenziale significativo nell’analisi di immagini e altri dati ad alta dimensione per aiutare gli essere umani a fare le cose in modo più produttivo. Vogliamo aumentare, non sostituire, gli sforzi degli operatori sanitari attraverso un sistema interattivo. ScribblePrompt è un modello semplice con l’efficienza di aiutare i medici a concentrarsi sulle parti più interessanti della loro analisi. È più veloce e più preciso dei metodi di segmentazione interattivi comparabili, riducendo il tempo di annotazione del 28% rispetto al framework Segment Anything Model (SAM) di Meta, ad esempio.
studentessa di dottorato del MIT Halle Wong SM ’22, autrice principale di un nuovo articolo su ScribblePrompt
L’interfaccia di ScribblePrompt è piuttosto semplice. Lo strumento può apportare correzioni in base al feedback dell’utente. Le funzionalità interattiva autocorrettive hanno reso ScribblePrompt lo strumento preferito tra i ricercatori di MGH. Il 93,8% degli utenti ha favorito l’approccio MIT rispetto alla linea di base SAM nel migliorare i suoi segmenti in risposa alle correzioni degli scarabocchi. ScribblePrompt è stato addestrato su scarabocchi simulati e ha cliccato su 54.000 immagini in 65 set di dati con scansioni di occhi, torace, colonna vertebrale, cellule, pelle, muscoli addominali, collo, cervello, ossa, denti e lesioni.
Molti metodi esistenti non rispondono bene quando gli utenti scarabocchiano tra le immagini perché è difficile simulare tali interazioni nella formazione. Per ScribblePrompt, siamo stati in grado di costringere il nostro modello e prestare attenzione a diversi input utilizzando le nostre attività di segmentazione sintetica.
Wong
