MARS temel modeli: Çoklu çekim MRI’da daha genellenebilir yapay zekâ dönemi

Yeni bir çalışmada araştırmacılar, çoklu sekanslı manyetik rezonans görüntülemeyi (MRI) analiz etmek üzere tasarlanmış büyük ölçekli bir “temel model” yaklaşımı geliştirdi. MARS adı verilen sistem, klinik pratikte yapay zekâ uygulamalarının önündeki en temel engellerden birini hedefliyor: Aynı hastalık ya da aynı anatomik bölge üzerinde farklı çekim türleri (sekanslar) kullanıldığında ortaya çıkan ve modellerin performansını sınırlandırabilen heterojenlik.

MRI, farklı sekanslar aracılığıyla doku ve patolojileri farklı açılardan gösterme kapasitesi sayesinde tanıda merkezi bir role sahip. Ancak tam da bu çoklu-sekans yapısı, veri üzerinde öğrenme yapan derin öğrenme yöntemleri için zorlayıcı olabiliyor. Sekanslar arasında sinyal karakteristikleri, görüntülerin görünümü ve klinik protokoller değiştikçe, bir modelin “genel” klinik koşullara uyum sağlayabilme yeteneği zayıflayabiliyor. Bu durum, çoğu zaman modellerin yalnızca belirli bir merkezde, belirli bir protokol setinde ya da belirli hasta gruplarında tutarlı sonuçlar üretmesine yol açıyor.

MARS’ın yaklaşımı, bu soruna mimari düzeyde çözüm üretmeye odaklanıyor. Araştırmacılar, pretraining (ön eğitim) sırasında modeli, aynı anatomiyi temsil eden ama sekanstan sekansa değişen özellikleri ayrıştırmaya teşvik eden bir strateji benimsediklerini belirtiyor. Bu tasarımın merkezinde, anatomiden bağımsız (anatomy-invariant) özellikler ile sekansa özgü varyasyonları “disentangle” etmeye yönelik bir hedef bulunuyor. Başka bir ifadeyle model, farklı MRI sekanslarına maruz kaldığında, görüntünün temel anatomik bilgisini sekans farklılıklarının gürültüsünden ayırmayı öğrenmeye çalışıyor.

Bu ayrıştırma fikri, temel model mantığıyla birleştirildiğinde önemli bir potansiyel taşıyor. Temel modeller genellikle büyük veri üzerinde öğrenme yaparak, daha sonra farklı görevlerde kullanılabilecek “genel” bilgi temelleri kurar. MARS tarafında ise bu genel bilginin, klinikte farklı sekanslar ve farklı anatomik bağlamlar arasındaki kaymaların etkisini azaltacak şekilde yapılandırılması amaçlanıyor. Böylece modelin yalnızca tek bir çekim protokolüne uyumlu kalması yerine, çok daha çeşitli klinik senaryolarda çalışma olasılığı güçlenmiş oluyor.

Çalışmanın tasarımında pretraining aşamasının kritik bir rol oynadığı vurgulanıyor. MARS’ın, ön eğitim sürecinde sekansa özel bileşenleri tanımlayıp anatomik olarak değişmeyen örüntülere daha fazla ağırlık verecek şekilde geliştirildiği ifade ediliyor. Bu da, ilerleyen aşamalarda modelin klinik analize yönelik çeşitli uygulamalara uyarlanmasının daha tutarlı olmasına katkı sağlamayı hedefliyor.