API جامع
پژوهشگران MIT سیستم هوشمند جدیدی طراحی کرده‌اند که می‌تواند فرآیند پردازش تصاویر پزشکی را برای محققان بالینی بسیار سریع‌تر و ساده‌تر کند. این سیستم، فرایند بخش‌بندی (Segmentation) که یکی از مراحل اولیه در تحلیل تصاویر زیست‌پزشکی است، به شکلی تعاملی و خودکار انجام می‌دهد. در این روش، کاربر تنها با کلیک کردن، کشیدن خطوط ساده یا کشیدن کادر روی تصویر، می‌تواند مناطق مورد نظر را مشخص کند و مدل بقیه کار را انجام می‌دهد.
برای مثال، اگر پژوهشگری بخواهد بررسی کند که با افزایش سن، اندازه هیپوکامپ مغز چگونه تغییر می‌کند، ابتدا باید هیپوکامپ را در تمام تصاویر اسکن مغز جدا کند. این کار به‌طور معمول بسیار زمان‌بر است، اما سیستم جدید به نام MultiverSeg می‌تواند این کار را با دقت بالا و در زمانی بسیار کمتر انجام دهد.
چرا MultiverSeg منحصر‌به‌فرد است؟
برخلاف روش‌های قدیمی‌تر که یا نیاز به ساخت مدل هوش مصنوعی برای هر پروژه داشتند یا باید برای هر عکس تعاملات تکراری انجام می‌شد، این سیستم به‌طور مداوم از تصاویر قبلی یاد می‌گیرد. با هر بار استفاده، نیاز به تعامل کاربر کمتر می‌شود تا جایی که حتی ممکن است نیازی به دخالت کاربر هم نباشد.
این مدل نیازی به دیتاست‌های پیش‌زمینه‌شده ندارد، بنابراین کاربران بدون داشتن تخصص در یادگیری ماشین یا نیاز به منابع محاسباتی سنگین می‌توانند از آن استفاده کنند. کافی است یک تصویر جدید بارگذاری شود و شروع به علامت‌گذاری روی آن شود. سپس مدل، سایر قسمت‌ها را به‌دقت پیش‌بینی خواهد کرد.
کاهش هزینه و زمان پژوهش‌های پزشکی
این سیستم به پژوهشگران اجازه می‌دهد در زمانی که قبلا فقط می‌توانستند چند تصویر را بررسی کنند، حالا مجموعه‌ای بزرگ از تصاویر را به‌سرعت پردازش و آنالیز کنند. این ابزار می‌تواند مسیر ارزیابی روش‌های درمانی جدید و انجام آزمایش‌های بالینی را سریع‌تر و کم‌هزینه‌تر کند. حتی در برنامه‌ریزی‌های پزشکی مانند تنظیم برنامه پرتو‌درمانی نیز قابل استفاده است.
هالی وانگ، دانشجوی دکتری مهندسی برق و علوم کامپیوتر در MIT و نویسنده ارشد این پژوهش، می‌گوید: «امید ما این است که این سیستم بتواند به دانشمندانی کمک کند که قبلاً به دلیل محدودیت زمانی یا فنی قادر به انجام برخی پروژه‌ها نبودند.»
MultiverSeg، ترکیبی از بهترین‌ها
پیش از این، ابزار دیگری به نام ScribblePrompt توسعه یافته بود که با وجود تعامل‌پذیری، مجبور بودید برای هر تصویر کار را از ابتدا شروع کنید. اما MultiverSeg با ترکیب مدل تعاملی و مدل‌های زمینه‌ای، از تجربه‌ی قبلی خود در پردازش تصاویر استفاده می‌کند تا نتایج دقیق‌تری با تعامل کمتر به‌دست بیاورد.
این سیستم حتی قادر است با استفاده از تنها دو کلیک، تصویری جدید را دقیق‌تر از مدل‌های خاص آن حوزه بخش‌بندی کند. در برخی موارد مانند تصاویر اشعه ایکس، تنها بعد از دو نمونه‌گذاری اولیه، مدل می‌تواند به تنهایی ادامه مسیر را طی کند.
ارتقا دقت با کمترین تلاش
استفاده از MultiverSeg نه تنها سریع‌تر است، بلکه این امکان را فراهم می‌کند که اگر مدلی پیش‌بینی نادرستی انجام داد، کاربر بتواند با چند اصلاح ساده آن را دقیق‌تر کند. در مقایسه با سیستم قبلی، این ابزار توانست با دو سوم میزان خطوط ترسیمی و سه چهارم تعداد کلیک‌ها، به دقت ۹۰ درصد برسد.
وانگ می‌افزاید: «اصلاح کردن خروجی مدل معمولاً بسیار سریع‌تر از شروع از صفر است و همین موضوع، فرآیند را به‌شدت تسریع می‌کند.»
در آینده، پژوهشگران قصد دارند این ابزار را در شرایط واقعی با همکاری پزشکان آزمایش کرده و نسخه‌ای برای بخش‌بندی تصاویر سه‌بعدی نیز توسعه دهند.
