Red médica abierta para la IA

MONAI Label es una herramienta que incorpora asistencia de IA, con el objetivo de mejorar el proceso de etiquetado y aprendizaje de imágenes. Aprovecha algoritmos de IA e interacciones del usuario , y mediante esta colaboración, MONAI Label entrena un modelo de IA para una tarea específica y trabaja para mejorar su rendimiento a medida que recibe imágenes anotadas adicionales. La herramienta ofrece una variedad de funciones e integraciones destinadas a optimizar el flujo de trabajo de anotación y garantizar una integración perfecta con las plataformas de imágenes médicas existentes. ^{[ 8 ]}

• Anotación asistida por IA : MONAI Label ayuda a investigadores y profesionales en imágenes médicas sugiriendo anotaciones basadas en las interacciones del usuario mediante algoritmos de IA. Esta asistencia reduce significativamente el tiempo y el esfuerzo necesarios para etiquetar nuevos conjuntos de datos, lo que permite a los usuarios centrarse en tareas más complejas. Las sugerencias proporcionadas por MONAI Label mejoran la eficiencia y la precisión en el proceso de anotación. ^{[ 8 ]}
• Aprendizaje continuo : a medida que los usuarios aportan imágenes anotadas adicionales, MONAI Label utiliza estos datos para mejorar su rendimiento con el tiempo. La herramienta actualiza su modelo de IA con las anotaciones recién adquiridas, lo que mejora su capacidad para etiquetar imágenes y adaptarse a tareas específicas. ^{[ 8 ]}
• Integración con plataformas de imágenes médicas: MONAI Label se integra con plataformas de imágenes médicas como 3D Slicer , el visor de la Open Health Imaging Foundation para radiología, ^{[ 9 ]} QuPath, ^{[ 10 ]} y el archivo digital de diapositivas para patología. ^{[ 11 ]} Estas integraciones permiten la comunicación entre MONAI Label y las herramientas de imágenes médicas existentes, facilitando flujos de trabajo colaborativos y asegurando la compatibilidad con plataformas establecidas. ^{[ 8 ]}
• Integración con visores personalizados: los desarrolladores tienen la flexibilidad de integrar MONAI Label en sus visores de imágenes personalizados mediante las API de servidor y cliente proporcionadas . Estas API están abstraídas y completamente documentadas, lo que facilita una integración fluida con aplicaciones a medida. ^{[ 8 ]}

Dentro de MONAI Core, los investigadores pueden encontrar una colección de herramientas y funcionalidades para el procesamiento y la carga de conjuntos de datos, la implementación de modelos de aprendizaje profundo (DL) y la evaluación. Estas utilidades permiten a los investigadores evaluar el rendimiento de sus modelos. MONAI Core ofrece flujos de entrenamiento personalizables, lo que permite a los usuarios construir y entrenar modelos que admiten diversos enfoques de aprendizaje, como el aprendizaje supervisado , semisupervisado y autosupervisado . Además, los usuarios tienen la flexibilidad de implementar diferentes estrategias de computación para optimizar el proceso de entrenamiento. ^{[ 1 ]}

• Entrada/salida de imágenes, procesamiento y aumento: se encuentran disponibles API específicas del dominio para transformar datos en matrices y diferentes formatos de diccionario. Además, las estrategias de muestreo de parches permiten la generación de muestras equilibradas por clases a partir de imágenes de alta dimensión . Esto garantiza que el proceso de muestreo mantenga el equilibrio y la equidad entre las diferentes clases presentes en los datos. Asimismo, las transformaciones invertibles proporcionadas por MONAI Core permiten revertir las salidas del modelo a un paso de preprocesamiento anterior. Esto se logra aprovechando los metadatos rastreados y las operaciones aplicadas, lo que permite a los investigadores interpretar y analizar los resultados del modelo en el contexto de los datos originales. ^{[ 1 ]}
• Conjuntos de datos y carga de datos: los conjuntos de datos basados ​​en caché multihilo admiten la carga de datos de alta frecuencia, la disponibilidad de conjuntos de datos públicos acelera la implementación del modelo y la reproducibilidad del rendimiento , y las API personalizadas admiten fuentes de datos comprimidas , de imágenes y parcheadas, y multimodales. ^{[ 1 ]}
• Componentes diferenciables, redes , pérdidas, ^{[ 12 ]} y optimizadores: ^{[ 13 ]} MONAI Core proporciona capas y bloques de red que pueden manejar sin problemas entradas espaciales 1D, 2D y 3D. Los usuarios tienen la flexibilidad de integrar sin esfuerzo estas capas, bloques y redes en sus pipelines personalizados. La biblioteca también incluye funciones de pérdida de uso común, como la pérdida de Dice , la pérdida de Tversky y la pérdida focal de Dice, ^{[ 14 ]} que han sido (re)implementadas a partir de la literatura. Además, MONAI Core ofrece técnicas de optimización numérica como Novograd y utilidades como el buscador de tasa de aprendizaje para facilitar el proceso de optimización. ^{[ 15 ] [ 1 ]}
• Evaluación: MONAI Core proporciona un conjunto completo de métricas de evaluación para valorar el rendimiento de los modelos de imágenes médicas. Estas métricas incluyen el coeficiente Dice medio, las curvas ROC (curvas de características operativas del receptor) , las matrices de confusión , la distancia de Hausdorff , la distancia de superficie y la sensibilidad a la oclusión. ^{[ 16 ]} El informe de resumen de métricas genera información estadística como la media , la mediana , el máximo, el mínimo , el percentil y la desviación estándar para las métricas de evaluación calculadas. ^{[ 16 ] [ 1 ]}
• Aceleración de GPU, análisis de rendimiento y optimización : MONAI aprovecha una variedad de herramientas, incluyendo DLProf, ^{[ 17 ]} Nsight, ^{[ 18 ]} NVTX, ^{[ 19 ]} y NVML ^{[ 20 ]} para detectar cuellos de botella de rendimiento. Las API distribuidas de paralelismo de datos se integran perfectamente con el módulo distribuido nativo de PyTorch, el módulo distribuido PyTorch-ignite ^{[ 21 ]} , Horovod , XLA, ^{[ 22 ]} y la plataforma SLURM. ^{[ 23 ]}
• Colección de modelos DL: al ofrecer el Zoológico de Modelos MONAI, ^{[ 24 ]} MONAI se establece como una plataforma que permite a investigadores y científicos de datos acceder y compartir modelos de vanguardia desarrollados por la comunidad. Aprovechando el formato MONAI Bundle, los usuarios pueden utilizar de forma fluida y eficiente cualquier modelo dentro de los marcos de MONAI (Core, Label o Deploy). ^{[ 25 ]}

El SDK de la aplicación de despliegue de MONAI ofrece una serie sistemática de pasos que permiten a los usuarios desarrollar y optimizar sus modelos y flujos de trabajo de IA para su implementación en entornos clínicos. Estos pasos actúan como puntos de control, garantizando que la infraestructura de inferencia de IA cumpla con los estándares y requisitos esenciales para una integración clínica sin problemas. ^{[ 3 ]}

Los componentes clave del SDK de la aplicación MONAI Deploy incluyen:

• Marco de trabajo Pythonic para el desarrollo de aplicaciones : el SDK presenta un marco de trabajo basado en Python diseñado específicamente para crear aplicaciones centradas en la atención médica. Con su base adaptable, este marco de trabajo permite el desarrollo optimizado de aplicaciones basadas en IA adaptadas al ámbito de la atención médica. ^{[ 3 ]}
• Mecanismo de empaquetado de aplicaciones MONAI: el SDK incorpora una herramienta para empaquetar aplicaciones en paquetes de aplicaciones MONAI ^{[ 26 ]} (MAP). Estas instancias MAP establecen un formato estandarizado para agrupar e implementar aplicaciones, lo que garantiza la portabilidad y facilita una distribución sin problemas. ^{[ 27 ]}
• Ejecución local de MAP mediante el ejecutor de aplicaciones: el SDK proporciona una función de ejecutor de aplicaciones que permite la ejecución local de instancias de MAP. Esta funcionalidad permite a los desarrolladores ejecutar y probar sus aplicaciones en un entorno controlado, facilitando la creación de prototipos y la depuración . ^{[ 28 ]}
• Aplicaciones de ejemplo: el SDK incluye una selección de aplicaciones de ejemplo que sirven como ejemplos prácticos y puntos de partida para los desarrolladores. Estas aplicaciones de ejemplo muestran diferentes casos de uso y ejemplifican las mejores prácticas para utilizar eficazmente el marco de trabajo MONAI Deploy. ^{[ 3 ]}
• Documentación de la API: el SDK se complementa con una documentación completa que describe las API disponibles y proporciona orientación a los desarrolladores sobre cómo aprovechar eficazmente las herramientas y funcionalidades proporcionadas. ^{[ 3 ]}