Применён искусственный интеллект к рентгеновским лучам

Применён искусственный интеллект к рентгеновским лучам

Искусственный интеллект обладает реальным потенциалом улучшения скорости и точности медицинской диагностики. Однако прежде чем клиницисты смогут использовать силу искусственного интеллекта для определения состояния здоровья в образах рентгеновских лучей, потребуется «научиться» алгоритмам нового типа поиска. Идентификация редких патологий на рентгеновских образах остаётся нерешённой задачей по причине нехватки изображений, которые могли бы использоваться для тренинга систем искусственного интеллекта в условиях контролируемого обучения.

Новый подход к машинному обучению

И вот команда специалистов Университета Торонто разработала инновационный подход — использование машинного обучения под создание генерируемых компьютером рентгеновских лучей для наращивания наборов искусственного интеллекта. Как выразился профессор кафедры электротехники и вычислительной техники:

В некотором смысле нам пришлось использовать машинное обучение для машинного обучения. Так создаются моделируемые рентгеновские лучи, показывающие некие редкие условия, помогающие объединить эти условия с реальными рентгеновскими снимками.

В результате собирается богатая база данных для обучения нейронных сетей и последующей идентификации условий в других рентгеновских снимках.

Для создания искусственных рентгеновских лучей команда использует метод искусственного интеллекта, названный «глубокой свёрточной генеративной состязательной сетью» (DCGAN). Метод служит для генерации и стабильного улучшения имитируемых изображений.

GAN — это тип алгоритма, состоящий из двух сетей:

  1. Генерирует изображения
  2. Пытается отличить синтетические изображения от реальных изображений.

Две сети обучаются до момента, когда дискриминатор не в состоянии отличать реальные слайды от синтезированных слайдов.

После создания достаточного количества искусственных рентгеновских лучей они объединяются с реальными рентгеновскими лучами.

Объединение требуется для обучения глубокой сверточной нейронной сети, которая затем классифицирует изображения как нормальные или идентифицирует ряд условий.

Учёным удалось показать, что искусственные данные, создаваемые глубокими сверточными GAN, могут использоваться для увеличения реальных наборов данных.

Оценка результатов лабораторным анализом

Лабораторно сравнивалась точность дополненного набора данных с исходным набором данных при подаче через систему искусственного интеллекта. Обнаружилось, что точность классификации улучшилась на 20% для обычных условий.

Для некоторых редких условий точность улучшилась примерно до 40% — и поскольку синтезированные рентгеновские лучи берутся не от реальных людей, набор данных может быть легко доступен исследователям за пределами больничных помещений. Соответственно, проблемы конфиденциальности полностью исключаются.


При помощи материалов: UTFASE