Aktívne učenie má znížiť anotovanie chirurgických videí o polovicu

Nový preprint Active Learning for Efficient Annotation of Surgical Videos with Weak Supervision rieši jednu z najpraktickejších bariér medicínskej počítačovej vízie: anotácie. Laparoskopické video obsahuje dlhé sekvencie, jemné pohyby nástrojov a klinicky citlivé situácie. Presné priestorovo-časové označenie nástrojov alebo objektov je náročné, drahé a vyžaduje expertov. Ak má model segmentovať chirurgické nástroje v rôznych zákrokoch, nemožno predpokladať, že nemocnica bude mať od začiatku veľký, husto anotovaný dataset.

Autori preto navrhujú ľudský-in-the-loop rámec, ktorý kombinuje aktívne učenie so slabým dohľadom. Slabý dohľad znamená, že časť dát nemá presné pixelové masky, ale len hrubšie informácie, napríklad prítomnosť nástroja vo videu. Model sa najprv učí z takýchto slabších signálov a vytvára temporálne konzistentné class activation maps, teda mapy oblastí, ktoré považuje za relevantné. Následne aktívne učenie vyberá prípady, pri ktorých sa ľudská oprava oplatí najviac.

Kľúčové je, že expert neopravuje všetko od nuly. Systém generuje pseudo-masky a tie slúžia ako návrh, ktorý anotátor spresňuje. Tréning používa dve komplementárne straty: jednu pre slabý dohľad na úrovni videa a druhú pre obrazové masky získané z ľudsky opravených anotácií. Takýto návrh je realistickejší než čistý plne dozorovaný prístup, pretože počíta s tým, že expert je drahý zdroj a mal by venovať čas najinformatívnejším prípadom.

Podľa autorov rámec znižuje potrebné úsilie pri anotovaní chirurgických videí o 50 percent oproti plne manuálnej anotácii na konci tréningu. Ak sa tento výsledok potvrdí v širších podmienkach, ide o významnú úsporu. V medicínskom AI často nie je najväčšou prekážkou návrh architektúry, ale získanie kvalitných označených dát, ktoré sú právne, eticky aj odborne náročné. Metóda, ktorá znižuje množstvo ručnej práce bez výraznej straty kvality, môže zrýchliť vývoj modelov pre rôzne chirurgické domény.

Praktický prínos sa netýka iba výskumných benchmarkov. Segmentácia chirurgických nástrojov môže pomôcť pri automatickom zázname zákroku, analýze workflowu, tréningu mladších chirurgov, podpore navigácie alebo spätnej kontrole kvality. Aby však takéto systémy fungovali v klinickej praxi, musia sa adaptovať na rôzne kamery, nemocnice, chirurgické štýly a typy zákrokov. Prístup založený na iteratívnej akvizícii znalostí môže umožniť postupné rozširovanie datasetov bez toho, aby sa každý nový scenár začínal od prázdnej tabuľky.

Silnou stránkou práce je aj dôraz na temporálnu konzistenciu. Chirurgické video nie je zbierka nezávislých obrázkov. Nástroj sa pohybuje, môže byť čiastočne zakrytý, meniť osvetlenie a vracať sa do poľa. Ak model generuje aktivácie alebo masky, ktoré medzi snímkami skáču, anotátor musí opravovať viac chýb a výsledný systém je menej spoľahlivý. Použitie video-level signálov a iteratívnych opráv preto lepšie zodpovedá povahe dát.

Treba však zdôrazniť aj limity. Ide o preprint prijatý na IPCAI 2026, nie o klinicky validovaný nástroj. Zníženie anotácie o polovicu ešte neznamená, že model možno bezpečne použiť pri rozhodovaní počas operácie. Klinické nasadenie by vyžadovalo robustné testy na dátach z viacerých pracovísk, meranie chýb pri zriedkavých nástrojoch, kontrolu skreslení a jasné rozhranie medzi automatickou segmentáciou a ľudským dohľadom.

Pre vývoj medicínskej AI je však smer jasný. Modely sa nebudú škálovať iba väčšími architektúrami, ale aj lepším využitím obmedzeného času expertov. Aktívne učenie, slabý dohľad a ľudské opravy pseudo-anotácií ponúkajú cestu, ako budovať praktické dátové sady rýchlejšie a lacnejšie. Tento preprint je dobrým príkladom výskumu, ktorý nestavia AI proti odborníkom, ale snaží sa navrhnúť workflow, v ktorom model predpripraví prácu a expert dodá presnosť tam, kde je najdôležitejšia.