Медицинская визуализация является одним из самых популярных приложений искусственного интеллекта и машинного обучения, поскольку алгоритмы компьютерного зрения с высокой точностью определяют аномалии, которые могут пропустить специалисты. Такое качество диагностики сокращает время ожидания и облегчает клиническую нагрузку. Возможно именно поэтому, несмотря на то, что во всём мире только 22% организаций здравоохранения внедрили в свою деятельность ИИ, большинство учёных (77%) убеждены, что технология искусственного интеллекта незаменима в сфере визуализации медицинских изображений.

Специалисты, занимающиеся изучением данных, посвятили немало времени разработке моделей визуализации для использования в системах здравоохранения. В Google подробно описали роль искусственного интеллекта в расшифровке медицинских снимков. На конференции NeurIPS в Ванкувере эксперты Google Research презентовали статью «Трансфузия: значение трансферного обучения для медицинской визуализации». В документе была представлена методика, используемая для более детального обучения ранее обученной нейросети. В частности, учёные рассмотрели, как влияет трансферное обучение на алгоритмы классификации изображений.

В трансферном обучении алгоритм машинного обучения разбивается на два этапа. Во-первых, существует фаза переподготовка, во время которой алгоритм обучается на эталонном наборе данных, представляющем разнообразие категорий. Затем следует тонкая настройка, где он учится выполнять конкретную целевую задачу. Этап предварительной подготовки помогает нейросети изучить общие характеристики, которые можно повторно использовать в целевой задаче, повышая ее точность.

В оценке эффективности ИИ-систем, обученных диагностировать диабетическую ретинопатию и пять других заболеваний на основании рентгенографии грудной клетки, часть из которых была предварительно обучена с помощью набора данных изображений с открытым исходным кодом (ImageNet), исследователи сообщили, что трансферное обучение повлияло на производительность системы при визуализации медицинских снимков. В ходе исследования метод доработали, и применили гибридный подход к трансферному обучению (основная часть остаётся неизменной, меняются только те составляющие, которые решают целевую задачу). Эта масштабная работа началась после того, как компания Google детализировала ИИ, способный классифицировать рентгенографию грудной клетки с человеческой точностью, то есть так, как это сделал бы врач-рентгенолог. Сейчас трансферное обучение на пике популярности, и специалисты Google Research разработали модель машинного обучения, способную диагностировать 26 заболеваний кожи с такой же точностью, как дерматолог.

Автор: Петр Голодий


Читайте также:

IBM Watson показала свою эффективность в лечении пациентов с опухолями легких

Prometeo – прибор, диагностирующий состояние здоровья пожарных во время тушения огня

 

Комментарии