Biomedikal alanda, segmentasyon organlar veya hücreler gibi önemli yapılarla ilişkilendirilen tıbbi görüntülerde belirli piksellerin belirlenmesi ve işaretlenmesini içerir. Yapay zeka modelleri, belirli bir hastalığın veya anomalinin varlığını gösterebilecek pikselleri belirleyerek klinisyenlere yardımcı olabilir. Ancak, bu modeller genellikle çeşitli yorumları içeren tıbbi görüntü segmentasyonu görevine rağmen yalnızca bir cevap sunarlar. Örneğin, uzmanlar bile akciğer BT görüntüsündeki bir nodülün sınırları konusunda farklı segmentasyonlar sunabilirler. Bu sorunu ele almak için, MIT, MIT ve Harvard Broad Enstitüsü ile Massachusetts Genel Hastanesi'nden araştırmacılar, Tyche adında yeni bir yapay zeka aracı geliştirdiler. Tyche, bir tıbbi görüntü için çeşitli olası segmentasyonlar üretebilir ve her biri hafif farklı alanları vurgular. Kullanıcılar, Tyche'nin kaç seçenek sunacağını belirleyebilir ve ihtiyaçlarına en uygun olanı seçebilirler. Diğer yöntemlerin aksine, Tyche yeni segmentasyon görevleri için yeniden eğitim gerektirmez. Bu, biyomedikal alandaki klinisyenler ve araştırmacılar için daha kullanıcı dostu hale getirir. Tyche, akciğer röntgeninde lezyonların belirlenmesi veya beyin MRG'sinde anomalilerin belirlenmesi gibi görevler için "kutudan çıkarılarak" kullanılabilir. Tyche, diğer yapay zeka araçlarının göz ardı edebileceği, potansiyel olarak önemli bilgilere dikkat çekerek teşhisleri iyileştirmek ve biyomedikal araştırmalara yardımcı olma potansiyeline sahiptir.

Sistem, görece henüz keşfedilmemiş olan belirsizliği yakalar. Tyche, birden fazla segmentasyon sağlayarak tıbbi görüntülerdeki belirsizliği kabul eder ve bu, karar verme sürecini etkileyebilir. Araştırmacılar, Tyche'yi oluşturmak için sinir ağı mimarisini değiştirdiler. Kullanıcılar, modeli eğitmek için segmentasyon görevinin birkaç örneğini sağlamaları gerekmektedir. Araştırmacılar, Tyche'nin doğru tahminler yapabilmesi için 16 örnek görüntü kadar az sayıda örneğin yeterli olduğunu buldular. Model, ağı katmanları ayarlayarak ve eğitim setindeki örneklerle etkileşime girerek birden fazla aday segmentasyon çıktısı üretir. Annotasyonlu tıbbi görüntü veri setleri üzerinde test edildiğinde, Tyche'nin tahminleri insan annotatörlerin gördüğü çeşitliliği yakaladı ve en iyi tahminleri temel modellerin üstündeydi. Tyche ayrıca çoğu modele kıyasla daha hızlı performans sergiledi. Araştırmacılar daha esnek bir bağlam kümesinin kullanımını keşfetmeyi ve Tyche'nin en kötü tahminlerini iyileştirmek için yöntemler araştırmayı planlamaktadır. Ayrıca, sistemini en iyi segmentasyon adaylarını önerme yeteneğini geliştirmeyi amaçlamaktadırlar. Bu araştırma, Ulusal Sağlık Enstitüleri, Harvard Üniversitesi ve MIT Broad Enstitüsü'ndeki Eric ve Wendy Schmidt Merkezi ve Quanta Computer tarafından sağlanan fonlarla desteklenmektedir.