Медична візуалізація є одним з найпопулярніших додатків штучного інтелекту і машинного навчання, оскільки алгоритми комп’ютерного зору з високою точністю визначають аномалії, які можуть пропустити фахівці. Така якість діагностики скорочує час очікування і полегшує клінічну навантаження. Можливо саме тому, незважаючи на те, що в усьому світі тільки 22% організацій охорони здоров’я впровадили в свою діяльність ШІ, більшість вчених (77%) переконані, що технологія штучного інтелекту незамінна в сфері візуалізації медичних зображень.

Фахівці, що займаються вивченням даних, присвятили чимало часу розробці моделей візуалізації для використання в системах охорони здоров’я. В Google докладно описали роль штучного інтелекту в розшифровці медичних знімків. На конференції NeurIPS в Ванкувері експерти Google Research презентували статтю «Трансфузія: значення трансферного навчання для медичної візуалізації». У документі була представлена ​​методика, яка використовується для більш детального навчання раніше навченої нейромережі. Зокрема, вчені розглянули, як впливає трансферне навчання на алгоритми класифікації зображень.

У трансферному навчанні алгоритм машинного навчання розбивається на два етапи. По-перше, існує фаза перепідготовка, під час якої алгоритм навчається на еталонному наборі даних, що представляє різноманітність категорій. Потім настає черга тонкого налаштування, під час якого він вчиться виконувати конкретне цільове завдання. Етап попередньої підготовки допомагає нейромережі вивчити загальні характеристики, які можна повторно використовувати в цільової задачі, підвищуючи її точність.

В оцінці ефективності ШІ-систем, навчених діагностувати діабетичну ретинопатію і п’ять інших захворювань на підставі рентгенографії грудної клітини, частина з яких була попередньо навчена за допомогою набору даних зображень з відкритим вихідним кодом (ImageNet), дослідники повідомили, що трансферне навчання вплинуло на продуктивність системи при візуалізації медичних знімків. В ході дослідження метод допрацювали, і застосували гібридний підхід до трансферного навчання (основна частина залишається незмінною, змінюються лише ті складові, які вирішують цільове завдання). Ця масштабна робота почалася після того, як компанія Google деталізувала ШІ, здатний класифікувати рентгенографію грудної клітини з людської точністю, тобто так, як це зробив би лікар-рентгенолог. Зараз трансферне навчання на піку популярності, і фахівці Google Research розробили модель машинного навчання, здатну діагностувати 26 захворювань шкіри з такою ж точністю, як дерматолог.

Автор: Петро Голодій


Читайте також:

IBM Watson показала свою ефективність у лікуванні пацієнтів з пухлинами легенів

Prometeo – прилад, що діагностує стан здоров’я пожежників під час гасіння вогню

 

Коментарi