Искусственный интеллект (ИИ) демонстрирует большой потенциал в медицине, способствуя раннему обнаружению заболеваний, улучшению лечения и снижению нагрузки на медицинский персонал. Однако эффективность ИИ зависит от качества его обучения.
Недавние исследования показывают, что многозадачный подход к обучению ИИ позволяет быстрее и экономичнее обучать модели на меньшем объеме данных. Это особенно актуально в условиях нехватки данных в медицинской визуализации.
По данным Всемирной организации здравоохранения, число случаев рака по всему миру значительно возросло. Биомаркеры, помогающие в точной диагностике и успешном лечении, могут быть обнаружены с помощью ИИ в патологических изображениях.
Исследователи из Института цифровой медицины Fraunhofer MEVIS, RWTH Aachen University, Университета Регенсбурга и Ганноверской медицинской школы разработали эффективную модель ИИ, которая анализирует образцы тканей быстро и надежно, используя лишь часть обычного объема обучающих данных.
Этот подход позволяет модели ИИ эффективно использовать предварительное обучение и автоматическую аннотацию данных, сокращая затраты времени и ресурсов. Ожидается, что новые модели ИИ улучшат диагностику и лечение заболеваний в клинической практике.