Pesquisas recentes em machine learning demonstram um avanço significativo na utilização de inteligência artificial (IA) para a segmentação de imagens médicas, especialmente em cenários de baixo volume de dados, prometendo revolucionar diagnósticos médicos.
Contexto da pesquisa
Pesquisadores da Universidade da Califórnia em San Diego desenvolveram uma nova ferramenta de IA denominada GenSeg, que melhora a segmentação de imagens médicas utilizando significativamente menos dados. A segmentação, que normalmente exige rotulagem detalhada feita por especialistas, enfrenta desafios devido à escassez de conjuntos de dados adequados em várias condições clínicas.
Método proposto
A GenSeg aplica uma abordagem de aprendizado profundo integrando a geração de dados sintéticos e a modelagem de segmentação. O sistema começa aprendendo a gerar imagens sintéticas a partir de máscaras de segmentação, que são sobreposições coloridas que identificam partes saudáveis ou doentes de uma imagem. Em seguida, ele utiliza esse conhecimento para criar novos pares de imagem e máscara que ampliam conjuntos de dados pequenos. Essa integração contínua entre a geração de dados e o treinamento do modelo é inovadora.
“Este projeto nasceu da necessidade de quebrar esse gargalo e tornar ferramentas de segmentação poderosas mais práticas e acessíveis, especialmente para cenários onde os dados são escassos.”
(“This project was born from the need to break this bottleneck and make powerful segmentation tools more practical and accessible, especially for scenarios where data are scarce.”)— Li Zhang, Estudante de Ph.D., Universidade da Califórnia em San Diego
Resultados e impacto
O modelo foi testado em diversas tarefas de segmentação médica, como identificação de lesões cutâneas em imagens dermatoscópicas e câncer de mama em ultrassonografias. Os resultados mostraram um aumento de 10 a 20% na performance do modelo em comparação com métodos existentes, necessitando de 8 a 20 vezes menos dados de treinamento reais. As métricas de desempenho indicam que a ferramenta pode identificar lesões suspeitas a partir de apenas 40 imagens rotuladas.
“Isso poderia ajudar os médicos a fazer um diagnóstico mais rápido e preciso.”
(“It could help doctors make a faster, more accurate diagnosis.”)— Li Zhang, Estudante de Ph.D., Universidade da Califórnia em San Diego
Com planos de tornar a ferramenta ainda mais versátil, os pesquisadores pretendem integrar feedback de clínicos diretamente no processo de treinamento para tornar os dados gerados mais relevantes para o uso médico real.
Fonte: (TechXplore – Machine Learning & AI)
