Yapay zeka destekli tıbbi tanı sistemlerinde yeni bir dönem başlıyor. Araştırmacılar, meme kanseri tespiti için geliştirdikleri federe öğrenme sisteminde sentetik görüntü teknolojisini kullanarak dikkat çeken sonuçlar elde etti.
Federe öğrenme, hastanelerin hassas hasta verilerini paylaşmadan ortak bir yapay zeka modeli eğitmelerini sağlayan yenilikçi bir yöntem. Ancak bu sistemin temel sorunu, küçük veri setleri ve kurumlar arası veri farklılıklarıyla başa çıkmak. Araştırmacılar bu sorunu, yapay zeka tarafından üretilen sentetik ultrason görüntüleriyle çözmeyi başardı.
Çalışmada iki farklı yapay zeka teknolojisi kullanıldı: derin konvolüsyonel üretici çekişmeli ağlar ve sınıf koşullu gürültü giderme difüzyon modelleri. Bu sistemler, gerçeğinden ayırt edilmesi zor sentetik meme ultrason görüntüleri üretti.
BUSI, BUS-BRA ve UDIAT olmak üzere üç farklı veri setinde yapılan testlerde sonuçlar oldukça etkileyici çıktı. FedAvg algoritması ile ortalama AUC değeri 0.9206'dan 0.9362'ye, FedProx ile 0.9429'dan 0.9574'e yükseldi. Ancak araştırmacılar önemli bir uyarıda bulunuyor: aşırı sentetik veri kullanımı performansı düşürüyor.
Bu çalışma, hasta mahremiyetini korurken tanı kalitesini artırmanın mümkün olduğunu gösteriyor ve özellikle sınırlı veri setine sahip tıp kurumları için umut vadediyor.