AI mengantarkan kemajuan signifikan dalam diagnosis kanker dengan AbdomenAtlas, dataset CT abdomen terbesar hingga kini. Kumpulan data ini mengurangi beban kerja radiolog dan mempercepat anotasi gambar CT, memungkinkan pelatihan algoritma AI yang lebih baik. Dengan lebih dari 45,000 pemindaian, ketersediaan dataset ini diharapkan memicu kolaborasi lebih luas.
Radiolog mulai memanfaatkan model visi komputer berbasis AI untuk mempercepat proses analisis pemindaian medis. Namun, model ini membutuhkan banyak data pelatihan yang dilabeli dengan teliti, sehingga radiolog tetap menghabiskan waktu untuk menganotasi gambar medis. Tim internasional yang dipimpin oleh Alan Yuille dari Johns Hopkins mengembangkan AbdomenAtlas, kumpulan data CT abdomen terbesar yang mencakup 45,000 pemindaian 3D dan 142 struktur anatomi dari 145 rumah sakit di seluruh dunia, lebih dari 36 kali lipat daripada pesaing terdekatnya.
Dengan menggunakan algoritma AI, tim ini berhasil menciptakan kumpulan data organ abdomen terbesar dalam waktu kurang dari dua tahun—suatu tugas yang jika dilakukan manusia akan memakan waktu hingga dua milenium. Dataset ini bertujuan membantu peneliti di seluruh dunia melatih algoritma AI untuk mengidentifikasi kanker dan penyakit lain tanpa membebani radiolog.
Sebelumnya, datasets organ abdomen dari manual melibatkan ribuan jam kerja radiolog untuk mengidentifikasi dan melabeli organ secara individu. “Mengannotasi 45,000 pemindaian CT membutuhkan seorang radiolog ahli yang mulai bekerja sekitar 420 SM—era Hippocrates—agar selesai pada 2025,” ungkap Zongwei Zhou, penulis utama penelitian ini. Metode yang digunakan memadukan tiga model AI untuk memprediksi anotasi dataset yang tidak dilabeli.
Tim memanfaatkan peta perhatian berwarna untuk mengidentifikasi area yang memerlukan perbaikan dan memprioritaskan sekumpulan prediksi model untuk ditinjau oleh radiolog. Proses ini meningkatkan kecepatan anotasi hingga 10 kali untuk tumor dan 500 kali untuk organ. Pendekatan ini memungkinkan tim memperluas dan mempresisi dataset tanpa menyulitkan radiolog, menciptakan dataset organ abdomen yang paling lengkap.
AbdomenAtlas juga berfungsi sebagai tolok ukur untuk kelompok penelitian lain menilai akurasi algoritma segmentasi medis mereka. Dataset ini membantu menguji algoritma dalam skenario klinis, menjanjikan keandalan yang lebih baik. Tim berkomitmen untuk merilis AbdomenAtlas ke publik dan mengadakan tantangan baru untuk mendorong pengembangan algoritma AI yang efisien dalam praktik klinis.
Meskipun kemajuan yang dicapai, dataset ini hanya mewakili 0,05% dari seluruh pemindaian CT yang dilakukan setiap tahun di AS. Tim peneliti menyerukan kolaborasi antar institusi demi mempercepat berbagi data dan pengembangan AI. “Kolaborasi lintas institusi sangat penting untuk mempercepat pengembangan AI dan data,” tulis para peneliti.
Penggunaan kecerdasan buatan dalam bidang radiologi semakin meningkat, dengan fokus pada efisiensi dan akurasi dalam mendiagnosis penyakit melalui pemindaian medis. Dataset yang besar dan teranotasi dengan baik diperlukan untuk melatih algoritma AI agar efektif. AbdomenAtlas berfungsi sebagai alat bantu penting dalam mempercepat proses ini, membantu radiolog dalam pekerjaan mereka.
AbdomenAtlas adalah dataset CT abdomen terbesar yang memfasilitasi pelatihan algoritma AI untuk mendeteksi penyakit secara akurat. Dengan sistem anotasi yang efisien, tim peneliti berhasil mempercepat kerja radiolog dan menyediakan alat penting bagi penelitian medis. Kolaborasi lanjutan diperlukan untuk memperluas data demi pengembangan AI yang lebih baik di masa depan.
Sumber Asli: www.miragenews.com
