به گزارش ارمغان شهر، در زیست‌پزشکی کار بخش‌بندی دربرگیرنده حاشیه‌نگاری و تفسیر پیکسل‌هایی از یک ساختار مهم در یک تصویر پزشکی مانند یک ارگان یا سلول است. مدل‌های هوش مصنوعی می توانند با مشخص کردن پیکسل‌هایی که ممکن است نشان دهنده علائمی از یک بیماری یا مشکل خاص باشند، به پزشکان و کادر درمانی یاری برسانند.
اما این مدل‌ها عموما تنها یک پاسخ ارائه می‌دهند در حالی که مشکل بخش‌بندی تصویر پزشکی اغلب صرفا در حد سیاه و سفید نیست. پنج حاشیه‌نویس انسانی ممکن است پنج بخش‌بندی متفاوت فراهم کنند و بر سر وجود یا مقدار یک برآمدگی در تصویر «سی‌تی» ریه اختلاف داشته باشند.
ماریان راکیچ نامزد دکترای علوم رایانه از «ام آی تی» با همکاری شماری از متخصصان دیگر یک ابزار جدید هوش مصنوعی را معرفی کرده است که می‌تواند عدم قطعیت و ابهام در تصاویر پزشکی را از میان بردارد.
این سیستم موسوم به «تایک» (Tyche نام رب‌النوع شانس یونانی) چندین بخش‌بندی ممکن را فراهم می‌کند که هر کدام از آنها نواحی، اندکی متفاوت از یک تصویر پزشکی را مورد تاکید قرار می دهند. یک کاربر می تواند مشخص کند که تایک چه تعداد خروجی داشته باشد و مناسب‌ترین خروجی را برای منظور خود انتخاب کند.
مساله مهم این است که تایک می‌تواند بدون نیاز به آموزش مجدد وظایف بخش‌بندی جدید را به انجام برساند. آموزش این سیستم با یک فرآیند، نیازمند داده‌های زیادی است که دربرگیرنده نشان دادن نمونه‌های زیادی به این مدل هوش مصنوعی است و همچنین نیازمند تجربه گسترده یادگیری ماشین است.
از آنجا که این سیستم نیازمند آموزش مجدد نیست، استفاده از آن برای کادر درمانی و محققان زیست پزشکی می تواند آسان‌تر از برخی روش‌های دیگر باشد و در نهایت اینکه این سیستم می تواند تشخیص را بهبود بخشد یا از طریق جلب توجه به اطلاعات بالقوه مهمی که دیگر ابزارهای هوش مصنوعی ممکن است نادیده بگیرند، به تحقیقات زیست پزشکی یاری برساند.
براساس گزارش «ام آی تی نیوز»، سیستم‌های هوش مصنوعی برای بخش‌بندی تصاویر پزشکی عموما از شبکه‌های عصبی استفاده می کنند. شبکه‌های عصبی که بر شیوه کارکرد مغز انسان استوار هستند، مدل‌های یادگیری ماشین هستند که از لایه‌های به هم پیوسته‌ای از نورون‌های پردازش کننده داده تشکیل شده اند.
محققان در این کار جدید سیستم «تایک» را از طریق تغییر و اصلاح ساختار شبکه عصبی مستقیم ساختند. این محققان دریافتند که تنها ۱۶ تصویر نمونه برای انجام پیش بینی خوب توسط این مدل کافی است و این مدل همچنین بدون آموزش مجدد می تواند وظایف جدید را حل کند.
