MHP-Net: Rewolucyjny model AI do precyzyjnej segmentacji guzów wątroby w diagnostyce i terapii
Rak wątroby to szósty najczęstszy nowotwór na świecie i jedna z głównych przyczyn zgonów nowotworowych. Kluczowym etapem w diagnostyce i leczeniu tej choroby jest dokładna segmentacja guzów wątroby, jednak wykonywana ręcznie przez radiologów jest czasochłonna i podatna na subiektywne różnice wynikające z doświadczenia klinicysty. Modele sztucznej inteligencji (AI) oparte na głębokich sieciach neuronowych zrewolucjonizowały ocenę zmian nowotworowych w obrazowaniu medycznym – potrafią automatycznie wykryć i precyzyjnie zaznaczyć kształt, rozmiar i lokalizację guza na obrazach badań obrazowych. Wymagają jednak zazwyczaj bardzo dużych zbiorów danych (od 1000 do 10 000 przypadków), co stanowi poważną barierę we wdrażaniu AI w medycynie.
Przełom w segmentacji guzów przy użyciu małych zbiorów danych
Aby pokonać tę barierę, zespół naukowców pod kierunkiem profesora Kenjiego Suzuki i doktoranta Yuqiao Yanga z jednostki badawczej Biomedical AI Research Unit w Institute of Science Tokyo (Science Tokyo), Japonia, opracował przełomowy model AI. Nowy system potrafi dokładnie segmentować guzy wątroby na podstawie tomografii komputerowej (CT) – nawet gdy jest trenowany na bardzo małych zbiorach danych – a mimo to przewyższa wydajnością obecne najnowocześniejsze modele. Wyniki badania opublikowano 16 maja 2025 roku w tomie 13 czasopisma IEEE Access.
MHP-Net: nowa architektura AI z filtrowaniem Hessego
Podstawą tej innowacji jest nowa architektura sieci neuronowej o nazwie multi-scale Hessian-enhanced patch-based neural network (MHP-Net). MHP-Net działa, dzieląc obrazy medyczne na małe trójwymiarowe fragmenty, dzięki czemu AI koncentruje się na analizie jednego fragmentu na raz. Każdy fragment z obrazu CT jest zestawiany z jego wzmocnioną wersją uzyskaną poprzez filtrowanie Hessego, technikę uwydatniającą struktury o kształcie kulistym – takie jak guzy nowotworowe.
W efekcie model generuje mapę segmentacyjną o wysokiej rozdzielczości, która precyzyjnie odwzorowuje zmiany nowotworowe w obrazach CT po podaniu kontrastu. Skuteczność modelu oceniano na podstawie współczynnika Dice’a, który mierzy zgodność między przewidywaną segmentacją a tzw. „ground truth”, czyli oznaczeniem wykonanym przez ekspertów, w skali od 0 do 1.
Wyniki i wydajność modelu
„Mimo ograniczonych danych treningowych – 7, 14 i 28 guzów – uzyskaliśmy wysokie wartości współczynnika Dice’a: odpowiednio 0,691, 0,709 i 0,719” – podkreśla prof. Suzuki. „Nasze wyniki przewyższają modele takie jak U-Net, Res U-Net i HDense-U-Net.”
Model cechuje się nie tylko wysoką dokładnością, ale również lekkością architektury, co umożliwia bardzo szybkie trenowanie (poniżej 10 minut) i czas predykcji rzędu 4 sekund na pacjenta. Czyni to MHP-Net wyjątkowo przydatnym także w warunkach klinicznych z ograniczonymi zasobami obliczeniowymi.
Nowa era AI z małymi zbiorami danych
„To dopiero początek ery AI dla małych zbiorów danych” – mówi Suzuki. „Nasze wyniki pokazują, że można tworzyć klinicznie przydatne modele głębokiego uczenia nawet przy ograniczonych danych. MHP-Net może zainspirować podobne podejścia w innych obszarach obrazowania medycznego – np. przy detekcji rzadkich nowotworów.”
Badanie podkreśla potencjał AI opartej na małych zbiorach danych w analizie obrazów medycznych. Obniżając wymagania dotyczące objętości danych treningowych, MHP-Net demokratyzuje wykorzystanie AI w szpitalach i klinikach z ograniczonym dostępem do danych. W przyszłości naukowcy planują rozwój modeli AI opartych na małych danych w kierunku szerokich zastosowań klinicznych – skalowalnych, opłacalnych i uniwersalnych.
Źródło: IEEE Access, Institute of Science Tokyo
