Új AI-módszer javítja a törésfelismerést különböző ultrahangos eszközökön

A gyerekek csonttöréseinek diagnosztizálását célzó AI-modellek pontossága jelentősen csökkenhet, ha különböző ultrahangos készülékeket vagy klinikai helyszíneket használnak. A problémát a domain-eltolódás okozza, amely miatt a modellek rosszul teljesítenek az új adatokon. Az új, célzott adatokkal dolgozó önfelügyelt tanulási és modell-összesítési stratégia ezt a problémát orvosolja — írja az arXiv CV.

A kutatók egy új megközelítést dolgoztak ki, amely maszkolt képalkotási modellezést (MIM) és kontrasztív tanulást kombinál a célzott adatok szerkezeti reprezentációinak címkézetlen megtanulására. Ehhez egy megbízhatóság-tudatos infúziós fejet is bevezettek az előrejelzések adaptív integrálására. A forrásadatokat egy Philips Lumify szondával gyűjtötték, míg a céladatokat egy TeleMED hordozható szondával szerezték be, és a két adathalmazt a folyamat során szigorúan elkülönítve kezelték.

Kapcsolódó: mellkasröntgen diagnosztika

A szilárd alapokon nyugvó áttörés

Az új módszer a címkézett forrásadatokat felügyelt tanulásra használja, miközben a célzott tartomány előzetes betanításával javítja az általánosítást. A megközelítés a 318 gyermek ultrahangos videóból álló 62 videóból álló tesztadatokon jelentősen, több mint 6%-kal javította a célzott tartományban az eszközök közötti teljesítményt a korábbi alapmodellekhez képest.

Kapcsolódó: ultrahangkép tisztítás

A jövőkép tisztulása

Az eredmények egy címkehatékony és adatvédelmi szempontból is biztonságos megközelítést mutatnak az eszközök közötti robusztus ultrahangos AI-alkalmazásokhoz. A kutatók szerint a keretrendszer kiterjeszthető többközpontú tanulmányokra vagy szövetségi tanulási beállításokra is, ami új távlatokat nyit a diagnosztikai AI-fejlesztésben, 2024-ben várható további eredmények a Philips Lumify és a TeleMED eszközökön.

Kapcsolódó: gerincszegmentáció fejlesztés