UCLA Araştırmacılarından Yeni AI Modeli: SLIViT
UCLA’daki araştırmacılar, insan klinik uzmanlarının analiz etmesinden çok daha kısa sürede hastalıkların 3D tıbbi görüntülerini ustalıkla inceleyebilen yeni bir yapay zeka modeli geliştirdi.
SLIViT Hakkında
Geliştirilen derin öğrenme framework’ü, SLIViT (SLice Integration by Vision Transformer), retinal taramalar, ultrason videoları, CT, MRI gibi farklı görüntüleme modlarından gelen verileri analiz ederek potansiyel hastalık riski belirteçlerini tespit ediyor.
Yüksek Doğruluk ve Düşük Maliyet
Çalışmanın lideri ve UCLA’da bilişsel tıp uzmanı olan Dr. Eran Halperin, bu modelin çok çeşitli hastalıklarda yüksek doğruluk sağladığını ve mevcut birçok hastalık spesifik temel modelden daha başarılı olduğunu belirtti. Model, büyük ve erişilebilir kamu verilerini kullanarak geliştirdiği yenilikçi ön eğitim ve ince ayar yöntemleriyle dikkat çekiyor. Halperin, bu modelin, uzman seviyesinde tıbbi görüntü analizini demokratikleştirerek, düşük maliyetle farklı hastalık belirteçlerini tespit edebileceğini düşünüyor.
Araştırmacılar, çalışmalarını sürdürmek için NVIDIA T4 GPU’ları ve NVIDIA V100 Tensor Core GPU’ları kullanarak gerçekleştirdi.
Mevcut durumda, tıbbi görüntüleme uzmanları genellikle aşırı yükleniyor ve hastalar, X-ray, MRI veya CT taramalarının değerlendirilmesi için haftalarca beklemek zorunda kalıyor.
SLIViT’in Avantajları
SLIViT’in potansiyel avantajlarından biri, hasta verilerini ölçekli bir şekilde yüksek doğrulukla analiz edebilme yeteneğidir. Ayrıca model, yeni tıbbi görüntüleme teknikleri geliştirildiğinde bu verilerle ince ayar yapılarak geliştirilmesi mümkün. Bu yöntemler, gelecekteki analizlerde kullanılmak üzere modelin yeteneklerini genişletebilir.
Halperin, modelin kolayca uygulanabilir olduğunu ve özellikle tıbbi görüntü uzmanlarının kısıtlı olduğu yerlerde, gelecekte hasta sonuçlarını önemli ölçüde iyileştirebileceğini ifade etti. SLIViT ile birlikte, geniş ölçekli ve doğru analiz yapmak artık gerçekçi hale geldi.
Halperin, “Modelin geniş bir hasta veritabanında hastalık belirteçlerini tespit etme yeteneği, geniş miktarda manuel olarak etiketlenmiş görüntülere ihtiyaç duymadan oldukça etkileyici,” dedi. “Bu hastalık belirteçleri, hastaların hastalık seyrini anlamamıza yardımcı olabilir. Gelecekte, bu verileri kullanarak hastalara özel tedavi yöntemleri belirlemek mümkün olacak ve umarım bu, hastaların yaşamlarında önemli iyileşmelere yol açar.”
İlginç Buluntular
Dr. Oren Avram, UCLA araştırmacılarının Nature Biomedical Engineering dergisinde yayımladığı çalışmanın, iki ilginç ve ilişkili sonucu ortaya koyduğunu belirtti.
İlk olarak, modelin çoğunlukla 2D tarama verileriyle önceden eğitilmesine rağmen, 3D taramalardaki hastalık belirteçlerini doğru bir şekilde tanımlamasıydı. Genellikle 3D görüntüleri analiz eden modeller, 3D veri setleri üzerinde eğitilir. Ancak 3D tıbbi verilerin temin edilmesi oldukça pahalıdır ve bu nedenle 2D tıbbi verilerden çok daha az bulunabilir ve erişilebilir.
UCLA araştırmacıları, modelin 2D taramalarla ön eğitildiği ve ardından nispeten az sayıda 3D tarama ile ince ayar yapıldığında, sadece 3D taramalar üzerinde eğitim alan uzman modelden daha başarılı olduğunu buldu.
İkinci beklenmeyen sonuç, modelin transfer öğrenme yeteneğiydi. Model, tamamen farklı modlar ve organlardan oluşan veri setlerinde ince ayar yaparak farklı hastalık belirteçlerini tanımayı öğrendi. Avram, “Modeli 2D retinal taramalarla eğittik; yani gözünüzün görüntüleriyle. Ancak daha sonra modelin karaciğer MRI’sı ile ince ayar yaptık ki bu iki organ ve görüntüleme teknolojisi tamamen farklı,” dedi. “Fakat retina ve karaciğer, OCT ve MRI arasında bazı temel özelliklerin paylaşıldığını öğrendik. Bu nedenle, görüntü alanları tamamen farklı olsa bile, bu özellikler modelin ileri öğrenimleri için faydalı oldu.”
Daha fazla bilgi için UCLA’nın haber bölümünü ziyaret edin.
SLIViT ile ilgili makaleye Hacimsel Tıbbi Taramalardan Hastalık Riski Faktörlerinin Kesin Tahmini Gelişmiş Bir Derin Görüntü Modeli ile buradan erişebilirsiniz.
Modeli GitHub’dan indirebilirsiniz.