Sve više oblasti medicine oslanja se na podršku veštačke inteligencije (AI). Ovo posebno važi za širok spektar pitanja zasnovanih na proceni podataka o slici: na primer, lekari pretražuju mamografe u potrazi za sitnim žarištima raka ili izračunavaju zapreminu tumora na mozgu na osnovu tomografskih slika sa MRI.
Oni koriste endoskopske slike creva da pronađu polipe, a prilikom procene mikroskopskih preseka tkiva moraju se otkriti suptilne promene u pojedinačnim ćelijama.
Ali da li su algoritmi koji se koriste za ove različite vrste analize slike zaista uvek prikladni za zadatak koji je pred vama? Ovo u velikoj meri zavisi od toga koje merene varijable, koje se u tehničkom smislu nazivaju „metrika”, one beleže – i da li su one zaista prikladne za zadatak o kome je reč.
„Često primećujemo da se koriste metrike validacije koje uopšte nisu relevantne za zadatak iz kliničke perspektive“, kaže Lena Maier-Hein iz DKFZ, navodeći primer: „Kada se traže metastaze u mozgu, u početku je više Važno je da algoritam detektuje čak i najsitnije lezije nego da može da definiše konture svake pojedinačne metastaze sa visokom preciznošću.“
Lena Maier-Hein i njene kolege strahuju da upotreba neodgovarajućih metrika validacije može omesti naučni napredak i odložiti uvođenje važnih metoda analize slike u kliničku praksu.
Ali koje su metrike pogodne za dato kliničko pitanje, s obzirom na sve prednosti, slabosti i ograničenja? Da bi saznali, naučnici za podatke DKFZ-a su koristili višestepeni, strukturirani proces da ispitaju lidere mišljenja iz akademske zajednice i industrije iz preko 70 istraživačkih institucija širom sveta. Istraživanje im je omogućilo da prikupe informacije koje su ranije bile dostupne samo na raštrkanim lokacijama širom sveta.
„Ovim radom po prvi put stavljamo na raspolaganje stručnjacima pouzdane i sveobuhvatne informacije o problemima i zamkama u vezi sa metrikama validacije u analizi slike“, kaže Annika Reinke, jedan od vodećih autora.
Kao strukturirano telo informacija kojem mogu pristupiti istraživači iz svih disciplina, rad ima za cilj da poveća razumevanje ključnog problema u analizi slika uz pomoć veštačke inteligencije. Iako je fokus na analizi medicinskih slika, informacije se takođe mogu preneti u druge oblasti analize slika.
U drugom radu, stručni konzorcijum koji predvode istraživači iz Hajdelberga sada opisuje „Metrics Reloaded“: sveobuhvatan okvir koji pomaže lekarima i naučnicima da odaberu metriku koja je prikladna za problem. „Metrics Reloaded“ se može koristiti kao onlajn alat.
„Korisnici su vođeni kroz sveobuhvatan skup pitanja kako bi napravili precizan otisak svog problema sa analizom slike. Alat takođe skreće pažnju na specifične probleme koji se javljaju u određenim biomedicinskim pitanjima“, objašnjava Paul Jeger, jedan od starijih autora ove dve publikacije.
Metrics Reloaded je pogodan za sve različite kategorije problema u analizi slike, odnosno za klasifikaciju slika, detekciju objekata ili dodeljivanje pojedinačnih piksela (semantička segmentacija). Alat radi potpuno nezavisno od izvora slike, tako da se može koristiti podjednako dobro za CT ili MRI slike kao i za mikroskopske slike. Metrics Reloaded je takođe pogodan za analizu slike izvan biomedicinskih problema.
„Metrics Reloaded je prvi sistematski vodič koji korisnicima analize slika zasnovanih na veštačkoj inteligenciji pokazuje put do pravog algoritma. Nadamo se da će Metrics Reloaded biti korišćen u što je moguće većoj meri što je brže moguće, jer bi to moglo značajno da poboljša kvalitet i pouzdanost rezultata analiza slika podržanih veštačkom inteligencijom. Ovo bi takođe promovisalo poverenje u analizu slika podržanu veštačkom inteligencijom u rutinskoj kliničkoj praksi“, kaže Minu Tizabi, jedan od vodećih autora.
