En el campo de la biomedicina, la segmentación involucra identificar y marcar píxeles específicos en imágenes médicas que están asociados con estructuras importantes como órganos o células. Los modelos de inteligencia artificial pueden ayudar a los médicos al señalar píxeles que pueden indicar la presencia de cierta enfermedad o anomalía. Sin embargo, estos modelos suelen proporcionar solo una respuesta, a pesar de que la tarea de segmentación de imágenes médicas a menudo involve varias interpretaciones. Incluso los expertos pueden ofrecer diferentes segmentaciones, con desacuerdos sobre los límites de un nódulo en una imagen de TC pulmonar, por ejemplo. Para abordar este problema, investigadores del MIT, el Broad Institute de MIT y Harvard, y el Massachusetts General Hospital han desarrollado una nueva herramienta de IA llamada Tyche. Tyche puede generar múltiples segmentaciones plausibles para una imagen médica, cada una destacando áreas ligeramente diferentes. Los usuarios pueden especificar cuántas opciones ofrece Tyche y seleccionar la más apropiada para sus necesidades. A diferencia de otros métodos, Tyche no requiere volver a entrenar para nuevas tareas de segmentación. Esto lo hace más fácil de usar para médicos e investigadores en el campo biomédico. Tyche se puede utilizar "directamente" para tareas como identificar lesiones en una radiografía de pulmón o señalar anomalías en una resonancia magnética cerebral. Tyche tiene el potencial de mejorar los diagnósticos y ayudar en la investigación biomédica al llamar la atención sobre información potencialmente significativa que otras herramientas de IA podrían pasar por alto.

El sistema captura la ambigüedad, que ha sido un área relativamente inexplorada. Al proporcionar múltiples segmentaciones, Tyche reconoce la incertidumbre en las imágenes médicas, lo cual puede influir en la toma de decisiones. Los investigadores modificaron una arquitectura de red neuronal para construir Tyche. Los usuarios deben proporcionar algunos ejemplos de la tarea de segmentación para entrenar el modelo. Los investigadores descubrieron que tan solo 16 imágenes de ejemplo son suficientes para que Tyche realice predicciones precisas. El modelo genera múltiples segmentaciones candidatas ajustando las capas de la red, permitiendo que interactúen entre sí y con los ejemplos en el conjunto de entrenamiento. Cuando se probó en conjuntos de datos de imágenes médicas anotadas, las predicciones de Tyche capturaron la diversidad observada en los anotadores humanos, y sus mejores predicciones superaron a las de los modelos de referencia. Tyche también demostró un rendimiento más rápido en comparación con la mayoría de los modelos. Los investigadores planean explorar el uso de un conjunto de contexto más flexible e investigar métodos para mejorar las peores predicciones de Tyche. También tienen como objetivo mejorar el sistema para que pueda recomendar las mejores opciones de segmentación. Esta investigación es respaldada por financiamiento de los Institutos Nacionales de Salud, el Centro Eric y Wendy Schmidt en el Broad Institute de MIT y Harvard, y Quanta Computer.