En ny udvikling inden for medicinsk billedbehandling kan revolutionere, hvordan klinisk forskning udføres. Forskere ved Massachusetts Institute of Technology (MIT) har skabt et kunstig intelligens (AI) system, der gør det muligt for forskere hurtigt at segmentere biomedicinske billeddata ved blot at klikke, scribble og tegne kasser på billederne. Dette system, kaldet MultiverSeg, gør det muligt at forudsige segmenteringen uden behov for omfattende forudgående træning af modellen.
Segmentering, eller processen med at identificere og skitsere områder af interesse i medicinske billeder, er et ofte tidskrævende skridt for forskere. For eksempel kræver det, at en forsker markerer hippocampus i hjerneafbildninger for at undersøge, hvordan størrelsen ændrer sig med alderen. Traditionelt har dette været en manuel proces, men MultiverSeg forenkler opgaven ved at tillade brugere at interagere med systemet, hvilket gradvist reducerer behovet for brugermanipulation, indtil ingen input er nødvendigt.
MultiverSeg bygger videre på tidligere systemer ved at kombinere interaktiv segmentering med en kontekstuel informationsdatabase, der kan udnyttes i fremtidige segmenteringsopgaver. Dette er en fordel, da forskere ikke længere skal starte forfra med hver ny opgave, og de kræver ikke avanceret maskinlæringsekspertise eller store computerressourcer.
Den nye teknologi har potentialet til at accelerere studier af nye behandlingsmetoder og kan reducere omkostningerne ved kliniske forsøg. Det er også en praktisk løsning for læger, der kan bruge den til at forbedre effektiviteten af kliniske anvendelser, såsom strålebehandling.
Forskerne forventer, at MultiverSeg vil gøre det muligt for flere forskere at engagere sig i kliniske studier, der tidligere var begrænset af de tidskrævende segmenteringsopgaver. Ifølge Hallee Wong, en af de førende forskere bag projektet, kan systemet føre til nye videnskabelige opdagelser og ofte spare forskere for tid, så de kan fokusere på mere komplekse opgaver.
MultiverSeg er blevet udviklet med det formål at være brugervenlig, og brugerne kan hurtigt begynde at segmentere billeder uden at skulle tilpasse modellen til deres specifikke data. I tests viste det sig, at MultiverSeg outperformede mere etablerede værktøjer til interaktiv segmentering, både med hensyn til hastighed og nøjagtighed.
Fremover planlægger forskerne at teste værktøjet i kliniske miljøer og inden for 3D-billedsegmentering, hvilket vil yderligere udvide systemets anvendelsesmuligheder. Denne innovation understreger, hvordan AI kan transformere medicinsk forskning og forbedre den kliniske praksis gennem mere effektive arbejdsprocesser.