Inom området för biomedicin innebär segmentering att identifiera och markera specifika pixlar i medicinska bilder som är associerade med viktiga strukturer som organ eller celler. AI-modeller kan hjälpa kliniker genom att peka ut pixlar som kan indikera förekomsten av en viss sjukdom eller avvikelse. Dock ger dessa modeller vanligtvis bara ett svar, trots att uppgiften med medicinsk bildsegmentering ofta innefattar olika tolkningar. Även experter kan ge olika segmenteringar, där man kan vara oenig om gränserna för en nodul i en lung-CT-bild, till exempel. För att lösa detta problem har forskare från MIT, Broad Institute of MIT and Harvard och Massachusetts General Hospital utvecklat en ny AI-verktyg som kallas Tyche. Tyche kan generera flera möjliga segmenteringar för en medicinsk bild, där varje en lyfter fram något olika områden. Användare kan specificera hur många alternativ Tyche ska ge och välja det mest lämpliga för deras behov. Till skillnad från andra metoder kräver Tyche inte omträning för nya segmenteringsuppgifter. Detta gör det mer användarvänligt för kliniker och forskare inom biomedicinska området. Tyche kan användas "out of the box" för uppgifter som att identifiera lesioner på en lung-röntgen eller hitta avvikelser i en hjärna-MRI. Tyche har potentialen att förbättra diagnoser och underlätta biomedicinsk forskning genom att uppmärksamma potentiellt signifikant information som andra AI-verktyg kanske missar.

Systemet fångar upp oklarheter, vilket har varit ett relativt outforskat område. Genom att ge flera segmenteringar erkänner Tyche osäkerheten i medicinska bilder, vilket kan påverka beslutsfattande. Forskarna modifierade en neural nätverksarkitektur för att bygga Tyche. Användare behöver ge några exempel på segmenteringsuppgiften för att träna modellen. Forskarna fann att så få som 16 exempelbilder är tillräckligt för att Tyche ska kunna göra exakta förutsägelser. Modellen genererar flera kandidatsegmenteringar genom att justera nätverkets skikt, vilket tillåter dem att interagera med varandra och exemplen i träningsuppsättningen. När den testades på dataset med annoterade medicinska bilder fångade Tyches förutsägelser upp mångfalden som syns hos mänskliga annotatörer, och dess bästa förutsägelser överträffade de hos baslinjemodeller. Tyche visade även snabbare prestanda jämfört med de flesta modeller. Forskarna planerar att utforska användningen av en mer flexibel kontextuppsättning och undersöka metoder för att förbättra Tyches sämsta förutsägelser. De siktar också på att förbättra systemet så att det kan rekommendera de bästa segmenteringskandidaterna. Denna forskning stöds av finansiering från National Institutes of Health, Eric och Wendy Schmidt Center vid Broad Institute of MIT and Harvard samt Quanta Computer.