– Generative Artificial Intelligence (AI) memungkinkan penciptaan dataset gambar besar yang dianonimkan untuk pengembangan sistem diagnostik. Sebagai bagian dari kolaborasi internasional, para peneliti di Meduni Wina telah mengembangkan AI generatif yang dapat menghasilkan dan memproses data pencitraan medis sintetis. Data yang dihasilkan kemudian digunakan untuk mengembangkan sistem AI diagnostik untuk beberapa penyakit. Tim peneliti menunjukkan bahwa keakuratan model AI secara signifikan meningkat melalui penggunaan data pencitraan sintetis. Hasil penelitian ini baru -baru ini diterbitkan dalam jurnal “Jurnal Eropa Kedokteran Nuklir dan Pencitraan Molekuler”.
Penggunaan sistem AI dalam pencitraan medis menjadi semakin penting. Keakuratan sistem ini sangat tergantung pada kualitas dan kuantitas data pelatihan. Namun, kumpulan data klinis sering terbatas dalam kegunaannya – apakah karena ukuran sampel yang kecil untuk penyakit langka, peraturan perlindungan data yang ketat, atau representasi subkelompok tertentu. Dalam kasus terburuk, ini dapat menyebabkan prediksi yang tidak akurat oleh model AI, terutama jika data pelatihan tidak mewakili keseluruhan populasi.
Generasi kumpulan data sintetis menggunakan AI generatif menawarkan solusi yang menjanjikan untuk tantangan ini. Dengan mensintesis data pencitraan medis, sistem AI dapat dilatih pada berbagai pola penyakit tanpa mengandalkan data pasien yang langka atau sulit diakses. Pendekatan ini dikejar oleh tim peneliti dari Divisi Kedokteran Nuklir (Departemen Pencitraan Biomedis dan Terapi yang Dipandu Gambar) di Meduni Wina, dalam sebuah studi yang baru-baru ini diterbitkan. AI generatif dilatih pada lebih dari 9.000 pemindaian dari pemeriksaan klinis rutin di departemen rawat jalan skintigrafi. Model ini kemudian digunakan untuk menghasilkan dataset gambar sintetis yang mereplikasi fitur karakteristik dari data pencitraan medis nyata tetapi sepenuhnya baru dihasilkan, memastikan bahwa tidak ada informasi terkait pasien yang dapat dilacak.
Data pencitraan sintetis dengan kualitas yang sama
Kualitas data sintetis dievaluasi oleh empat dokter independen. Mereka tidak menemukan perbedaan yang dapat dilihat antara data pencitraan sintetis yang dihasilkan dan nyata. Relevansi data sintetis selanjutnya dikonfirmasi oleh kelompok penelitian independen di University of Brescia. Di sana, tim peneliti mengembangkan sistem AI untuk mendeteksi pasien yang diduga memiliki amiloidosis jantung atau metastasis tulang, dilatih menggunakan data pencitraan sintetis yang dihasilkan di Wina. Sistem ini kemudian divalidasi menggunakan data dari lebih dari 6.000 pasien dari empat lembaga independen di Eropa dan Asia. Hasil penelitian menunjukkan bahwa mengintegrasikan data sintetis secara signifikan meningkatkan akurasi diagnostik sistem AI.
“Salah satu keuntungan utama dari teknologi ini adalah perlindungan privasi pasien: karena gambar yang dihasilkan tidak menggambarkan pasien nyata, mereka dapat digunakan untuk penelitian dan pengembangan metode diagnostik AI-dibantu tanpa risiko perlindungan data” merangkum David Haberl dan Clemens Spielvogel dari tim studi Meduni Wina mengenai pentingnya temuan penelitian. Selain itu, menambahkan data yang dihasilkan secara sintetis memungkinkan untuk meningkatkan keragaman data. Misalnya, dengan secara khusus memasukkan data dari subkelompok yang kurang terwakili, dataset dapat disesuaikan untuk meningkatkan keakuratan sistem AI yang dihasilkan untuk subkelompok ini dalam aplikasi klinis.
Publikasi: Jurnal Eropa Kedokteran Nuklir dan Pencitraan Molekuler
Kecerdasan buatan generatif memungkinkan generasi gambar skintigrafi tulang dan meningkatkan generalisasi model pembelajaran mendalam di lingkungan yang dibatasi data;
David Haberl, Jing Ning, Kilian Kluge, Katarina Kumpf, Josef Yu, Zewen Jiang, Claudia Constantino, Alice Monaci, Maria Starace, Alexander R. Haug, Raffaella Calabretta, Luca Camoni, Francesco Bertagna, Katharina Mascherica, Luca Camoni, Francesco Bertagna, Katharina Mascherica, Katharina, Katharina, Katharina, Katharina, Roberto Sciagra, Francisco Oliveira, Durval Costa, Christian Nitsche, Marcus Hacker & Clemens P. Spielvogel
https://doi.org/10.1007/s00259-025-07091-8
