Novo Sistema de IA do MIT Torna a Segmentação de Imagens Mais Rápida e Fácil

Pesquisadores do MIT desenvolveram um sistema de IA que ajuda especialistas médicos a acelerar suas pesquisas por meio da rápida análise de imagens de dados médicos.

A ferramenta, chamada MultiverSeg, permite que os cientistas marquem áreas específicas da imagem, simplesmente clicando ou rabiscando, e o sistema utiliza essa informação para gerar previsões para os resultados futuros.

O MIT explica que o processo inicial e mais trabalhoso na pesquisa clínica requer anotação de imagem médica, também conhecida como segmentação. Por exemplo, para estudar como o hipocampo no cérebro muda com a idade, os pesquisadores devem rastreá-lo manualmente em vários exames.

“Muitos cientistas talvez só tenham tempo para segmentar algumas imagens por dia para suas pesquisas, porque a segmentação manual de imagens é muito demorada. Nossa esperança é que este sistema possibilite novas pesquisas, permitindo que os pesquisadores clínicos conduzam estudos que eram proibidos de fazer antes por falta de uma ferramenta eficiente”, disse Hallee Wong, autora principal e estudante de pós-graduação em engenharia elétrica e ciência da computação.

Ao contrário de sistemas anteriores, o MultiverSeg não exige que os pesquisadores o treinem com grandes conjuntos de dados pré-segmentados. O sistema cria um “conjunto de contexto” a partir de imagens segmentadas anteriores e as usa para melhorar as previsões futuras. Os pesquisadores explicam que o sistema quase não requer interação do usuário à medida que o tempo avança.

Os pesquisadores testaram o MultiverSeg contra ferramentas de última geração e descobriram que ele exigia menos cliques e rabiscos, e produzia resultados mais precisos. De fato, o sistema de IA precisava apenas de uma ou duas segmentações manuais de raios-X antes que pudesse fazer previsões precisas para as áreas restantes.

“Com o MultiverSeg, os usuários podem sempre fornecer mais interações para aprimorar as previsões da IA. Isso ainda acelera drasticamente o processo, pois geralmente é mais rápido corrigir algo que já existe do que começar do zero”, explicou Wong.

A equipe planeja testar o sistema em ambientes clínicos, com a esperança de que também possa melhorar a eficiência em áreas como o planejamento de tratamento com radiação.