İki görevi birlikte öğrenmek

DFE-Net’in en ilginç sorusu, inme türünü doğru adlandıran bir ağın hasarlı dokunun yerini de doğru gösterip göstermediği. Zehao Jin ve çalışma arkadaşlarının 14 Kasım’da npj Digital Medicine’da yayımlanan hakemli çalışması bu iki görevi aynı öğrenme düzeninde birleştiriyor. Bilgisayarlı tomografi grubunda 6.650 hastadan 8.873 görüntü, ayrı manyetik rezonans grubunda ise 67 hastadan 615 görüntü var. Her görüntü türü için ağ yeniden eğitilip kendi grubunda sınanıyor. Bu tasarım, aynı mimarinin iki veri türünde çalışmasını inceliyor; tomografide öğrenilmiş bir modelin yeni manyetik rezonans görüntülerine doğrudan aktarımını sınamıyor.[1]

Yöntemdeki bulanıklık, görüntünün düşük çözünürlüğünden çok, bir bölgenin sınırda sayılmasına verilen kademeli ağırlığı anlatıyor. Ağ, görüntüdeki yoğunluk değişimlerinden öğrenilebilir ağırlık alanları çıkarıyor; ortak özellikleri işleyen gövdeden sonra sınıflandırma ve bölge belirleme için ayrı çıktılar üretiyor. Böylece konum görevi, sınıf etiketini öğrenen gövdeye de ek bir eğitim hedefi sağlıyor. Yöntemin araştırmaya değer katkısı, yalnızca doğru sınıfı seçmeyi ödüllendirmek yerine sınıflandırmayı mekânsal bir görevle birlikte öğrenmesi.[1]

Çizimin karşılaştırıldığı şey

İki grubun bölge belirleme sonuçları ise farklı sorulara yanıt veriyor. Tomografide ağın çıktısı yedi radyoloğun hazırladığı piksel düzeyindeki çizimlerle karşılaştırılıyor. Bildirilen Dice puanı 0,70; bu ölçü, modelin işaretlediği alanla karşılaştırma alanının ne kadar örtüştüğünü anlatıyor ve tam örtüşmede 1 değerini alıyor. Manyetik rezonans grubunda uzman çizimi yok. Eğitim ve sınama hedefi, görüntü yoğunluğundaki değişimlerden türetiliyor. Dolayısıyla bu gruptaki yüksek örtüşme, ağın o değişimleri yeniden üretme başarısını ölçüyor. Hastalıklı dokunun sınırını bağımsız bir uzmanla aynı yerde bulduğu sonucuna ulaşmak için gereken karşılaştırma burada eksik.[1]

Bu ayrım, ortak öğrenmenin sağladığı kazancı da daha dikkatli yorumlamayı gerektiriyor. Bir olasılık, ek konum görevinin ağın hastalıkla ilişkili özellikleri öğrenmesini kolaylaştırması. Başka bir olasılık, özellikle manyetik rezonans bölümünde, ağın görüntüde belirgin olan sıradan anatomik sınırları yeniden kurmayı öğrenmesi. Çalışma da yapay hedeflerin hastalık sınırlarıyla her zaman örtüşmeyen yapılara ağırlık verebileceğini belirtiyor. Sınıflandırma başarısı bu iki açıklamayı tek başına ayırt edemez. Aynı görüntülerde uzmanların çizdiği hastalık alanlarıyla yapılacak karşılaştırma, yardımcı görevin neyi öğrettiğini daha doğrudan sınar.[1]

Yeni hastayı sınamanın koşulları

Manyetik rezonans sonuçlarını yorumlamadan önce örneklerin nasıl ayrıldığını da çözmek gerekiyor. Yöntemin bir bölümü eğitim ile sınamanın görüntü düzeyinde ayrıldığını, bir diğeri hasta düzeyinde ayrıldığını söylüyor. Sınıflar arasında hastaları izlemeye yarayan ortak kimliklerin bulunmaması da açıkça belirtiliyor. Aynı hastanın benzer kesitlerinin iki bölüme dağılması olasılığı bütünüyle dışlanamıyor. Bu belirsizlik, sızıntının gerçekleştiğini kanıtlamaz; ancak yeni bir hasta üzerindeki başarı için duyulan güveni sınırlar. Ayrıca makale, güvenilir görüntü geometrisi bulunmadığı için konum hatalarını normalleştirilmiş görüntü birimleriyle açıkladığını belirtiyor. Tablolardaki milimetre etiketlerinden klinik uzaklık payı çıkarmak bu nedenle uygun değil.[1]

Benim için belirleyici sonraki deney, eğitilmiş ağı sabitleyip ayrı bir merkezden gelen, hasta kimlikleri doğrulanmış görüntülerde sınamak. Manyetik rezonans hasar alanlarını modelin çıktısını görmeyen uzmanlar çizmeli; aynı olgularda hem sınıf doğruluğu hem bu çizimlerle örtüşme ölçülmeli. Böylece sıradan yapıların izini sürme açıklaması ile hastalıklı dokuyu bulma açıklaması aynı sınamada karşılaştırılabilir. Ardından klinisyenlerin yardımlı ve yardımsız yorumlarının karşılaştırılması, bu mekânsal çıktının kararları nasıl etkilediğini araştırabilir. DFE-Net şimdilik geriye dönük bir yöntem deneyi sunuyor; hastaların tedaviye erişme süresinde veya sağlık sonuçlarında iyileşme henüz ölçülmüş değil.[1]