BẮC KINH, ngày 15 tháng 8 năm 2023 — Công ty Cổ phần Công nghệ Mây Ảo Hologram WiMi (NASDAQ: WIMI) (“WiMi” hoặc “Công ty”) – nhà cung cấp công nghệ Hologram Tăng Cường Thực Tế (AR) hàng đầu toàn cầu, hôm nay thông báo rằng một thuật toán học tập tổng quát cho phân tích hình ảnh X-quang đã được phát triển cho các hình ảnh X-envisioned, đặt tên là Phân Tích Hình Ảnh X-quang Tự Động Trí Tuệ Nhân Tạo (Auto-AIX).
Phân tích hình ảnh X-quang là một quá trình phức tạp liên quan đến việc phát hiện các đặc điểm khác nhau như mật độ xương, hình dạng cơ quan và mật độ mô. Truyền thống, quá trình này được thực hiện thủ công bởi các chuyên gia y tế sử dụng chuyên môn của họ để xác định và phân tích các đặc điểm. Tuy nhiên, phương pháp này tốn thời gian và có thể dẫn đến sai lầm con người, dẫn đến chẩn đoán sai và tiên lượng bệnh tật kém.
WiMi đã khám phá việc sử dụng các thuật toán trí tuệ nhân tạo để tự động hóa quá trình phân tích hình ảnh X-quang. Những thuật toán này được thiết kế để học từ các tập dữ liệu lớn hình ảnh X-quang và có thể nhận ra mẫu và đặc điểm mà các chuyên gia con người khó hoặc không thể phát hiện. Bằng cách tự động hóa quá trình phân tích hình ảnh X-quang, các thuật toán AI có thể tăng tốc độ và độ chính xác chẩn đoán trong khi giảm tải trách nhiệm cho các chuyên gia y tế.
WiMi đã phát triển một thuật toán học tập tổng quát cho phân tích hình ảnh X-quang được thiết kế để học từ một tập hợp đa dạng các hình ảnh X-quang để phù hợp với các ứng dụng thực tế. Thuật toán dựa trên một kiến trúc mạng nơ-ron sâu được đào tạo bằng một tập dữ liệu lớn và đa dạng các hình ảnh X-quang. Các tập dữ liệu được tổng hợp và ghi chú để đảm bảo rằng thuật toán xác định chính xác các đặc điểm quan tâm như mật độ xương, hình dạng cơ quan và mật độ mô. Để cải thiện khả năng tổng quát hóa của thuật toán, một số kỹ thuật như mở rộng dữ liệu và ngẫu nhiên hóa miền được triển khai. Mở rộng dữ liệu bao gồm áp dụng một loạt biến đổi như xoay, thu nhỏ, lật cho các hình ảnh X-quang gốc để tạo ra một tập dữ liệu đào tạo lớn hơn và đa dạng hơn. Ngẫu nhiên hóa miền liên quan đến việc thêm tiếng ồn ngẫu nhiên và biến dạng vào dữ liệu đào tạo, giúp thuật toán tổng quát hóa cho các hình ảnh X-quang mới và chưa biết trước.
Auto-AIX bao gồm thu thập, tạo và ghi chú dữ liệu với các thuật toán học tập tổng quát. Thu thập, tạo và ghi chú dữ liệu là chìa khóa để xây dựng các mô hình học sâu. Trong lĩnh vực hình ảnh y tế, việc thu thập và sử dụng dữ liệu thực đối mặt với nhiều hạn chế do quyền riêng tư và bảo mật bệnh nhân. Và Auto-AIX vượt qua những hạn chế này bằng cách sử dụng dữ liệu tổng hợp giả tạo. Cụ thể, nó sử dụng CT để mô hình hóa hình ảnh X-quang, mang lại cho dữ liệu tổng hợp một diện mạo và chi tiết thực tế, do đó cải thiện độ chính xác của mô hình.
Trong Auto-AIX, bước đầu tiên trong việc tạo dữ liệu tổng hợp là tạo ra mô hình y tế, có thể được mô hình hóa bằng CT scan hoặc công cụ phẫu thuật. Sau đó, bằng cách thêm tiếng ồn và biến thể vào mô hình y tế, nhiều mẫu có thể được tạo ra bao quát một loạt tình huống và biến thể có thể xuất hiện trong dữ liệu thực. Cuối cùng, những mẫu này được ghi chú, ví dụ bằng cách gắn nhãn tính năng và bệnh tật thủ công. Những ghi chú này có thể được áp dụng tự động cho tất cả các dữ liệu tổng hợp khác, tiết kiệm thời gian và chi phí lao động đáng kể. Quá trình này được gọi là “mở rộng miền” trong Auto-AIX, vì nó cho phép mở rộng miền dữ liệu tổng hợp sang một loạt các tập dữ liệu rộng hơn.
Auto-AIX sử dụng thuật toán học tập tổng quát để xây dựng các mô hình học sâu. Ưu điểm của thuật toán này là nó có thể được đào tạo bằng một lượng lớn dữ liệu tổng hợp mà không cần phải có lượng lớn dữ liệu thực. Điều này có nghĩa là Auto-AIX có thể đào tạo các mô hình học sâu hiệu suất cao ngay cả khi gặp khó khăn và hạn chế trong việc thu thập dữ liệu thực.
Cụ thể, Auto-AIX sử dụng kỹ thuật ngẫu nhiên hóa miền để xây dựng các thuật toán dựa trên học tập tổng quát. Ý tưởng cốt lõi của kỹ thuật này là cải thiện khả năng tổng quát hóa của mô hình bằng cách giới thiệu tính ngẫu nhiên trong diện mạo và đặc điểm của dữ liệu tổng hợp. Sự ngẫu nhiên này có thể là bất kỳ, ví dụ như thêm tiếng ồn, biến dạng, che khuất v.v. vào dữ liệu tổng hợp. Bằng cách này, Auto-AIX có thể xây dựng các mô hình học sâu với hiệu suất tổng quát cao.
Để đánh giá hiệu suất của Auto-AIX, các nhà nghiên cứu đã tiến hành một loạt thí nghiệm để so sánh sự khác biệt giữa các mô hình học sâu được đào tạo bằng dữ liệu tổng hợp Auto-AIX và các mô hình được đào tạo bằng dữ liệu thực, và kiểm tra hiệu quả của việc sử dụng các dữ liệu tổng hợp khác nhau.
Kết quả thực nghiệm đào tạo các mô hình AI sử dụng dữ liệu tổng hợp SyntheX cho thấy phương pháp này có thể đạt hiệu suất tương đương và trong một số trường hợp thậm chí vượt trội so với đào tạo bằng dữ liệu thực. Tiếp theo, mô hình AI được đào tạo cần được áp dụng cho dữ liệu hình ảnh X-quang lâm sàng thực để đánh giá và triển khai. Trước khi áp dụng mô hình AI cho dữ liệu thực, dữ liệu thực cần được tiền xử lý để có phân phối tương tự như dữ liệu tổng hợp. Phương pháp tiền xử lý này được gọi là thích ứng miền hoặc chuyển đổi miền. Mục tiêu của phương pháp chuyển đổi miền là chuyển đổi mô hình từ miền nguồn (dữ liệu tổng hợp) sang miền mục tiêu (dữ liệu thực) sao cho mô hình hoạt động tối ưu trên miền mục tiêu. Ý tưởng chính của thích ứng miền là học một mô hình có thể tổng quát hóa trên miền mục tiêu bằng cách mô hình hóa sự khác biệt trong phân phối giữa miền nguồn và miền mục tiêu.
Để áp dụng các