Алатката, наречена Брејниак, ги надмина другите, поспецифични модели на вештачка интелигенција и беше особено ефикасна во услови каде што достапните податоци за обука беа ограничени, пишува Јурикалерт.
„Брејниак има потенцијал да го забрза откривањето биомаркери, да ги унапреди дијагностичките алатки и да го забрза усвојувањето на вештачката интелигенција во клиничката пракса. Интегрирањето на Брејниак во протоколите за снимање би можело да им помогне на лекарите подобро да ја персонализираат и унапредат грижата за пациентите“, изјави д-р Бенџамин Кан, член на Програмата за вештачка интелигенција во медицината во Општата болница во Масачусетс и Бригам и еден од авторите.
И покрај неодамнешните достигнувања во медицинските пристапи кон вештачката интелигенција, постои значителен недостаток на јавно достапни модели фокусирани на широка анализа на слики од МРИ на мозокот. Повеќето конвенционални рамки извршуваат специфични задачи и бараат обемна обука со големи, анотирани збирки на податоци кои често се тешки за добивање. Понатаму, сликите од МРИ на мозокот од различни институции можат да се разликуваат по изглед и врз основа на нивната намена (на пр., неврологија наспроти онкологија), што им отежнува на системите за вештачка интелигенција да извлечат слични информации од нив.
За да се справат со овие ограничувања, истражувачкиот тим дизајнираше „адаптивно јадро за снимање на мозокот“ или Брејниак. Алатката користи метод наречен учење под самоконтрола за да идентификува карактеристики од необележани збирки на податоци, кои потоа можат да се прилагодат на низа различни апликации. По прелиминарното тренирање на рамката на повеќе групи слики од МРИ на мозокот, истражувачите ги потврдија нејзините перформанси на 48.965 различни МРИ скенирања во седум различни задачи со различна клиничка сложеност.
Тие откриле дека Брејниак може успешно да го генерализира она што го научил низ здрави и абнормални слики, а потоа да го примени тоа знаење и на релативно едноставни задачи, како што е класификација на типови на МРИ скенирање, и на многу тешки задачи, како што е откривање на типови на мутации на тумор на мозокот. Моделот, исто така, ги надмина трите конвенционални, специјализирани рамки на вештачката интелигенција во овие и други апликации.
Авторите забележуваат дека Брејниак бил особено успешен во предвидувањето на резултатите во ситуации каде што податоците за обука биле оскудни или кога сложеноста на задачите била висока, што укажува дека моделот би можел добро да се прилагоди на реални услови каде што анотираните медицински податоци не се секогаш лесно достапни. Потребни се понатамошни истражувања за да се тестира оваа рамка на дополнителни методи за снимање на мозокот и поголеми податоци.
