Новое исследование программистов из Ливерморской национальной лаборатории Лоуренса (LLNL) и IBM Research по моделям глубокого обучения для точной диагностики заболеваний по рентгеновским изображениям с менее маркированными данными получила награду за лучшую работу в компьютерной диагностике на конференции SPIE 19 февраля.
Метод, включающий в себя новые стратегии регуляризации и «самотренинга», решает некоторые проблемы, связанные с внедрением искусственного интеллекта (ИИ) для диагностики заболеваний, а именно сложность получения большого количества данных из-за затрат, усилий или проблем с конфиденциальностью. Алгоритмы ИИ в настоящее время также не могут эффективно диагностировать состояния, данных о которых пока недостаточно.
Компьютерный ученый из LLNL Джей Тиагараджан сказал, что подход команды показывает, что точные модели могут быть ограниченно созданы и работать даже лучше нейтронных сетей, обученных на гораздо более крупные помеченные наборы данных.
Команда ученых применила уникальный обучающий подход к эталонным наборам данных рентгеновских снимков грудной клетки, содержащих как помеченные, так и немаркированные данные, для диагностики пяти различных состояний сердца: кардиомегалии, отека, консолидации, ателектаза и плеврального выпота. Исследователи увидели сокращение на 85% количества помеченных данных, необходимых для достижения той же производительности, что и существующие современные нейронные сети. По словам Тиагараджана, это чрезвычайно важно для клинического применения ИИ, где сбор размеченных данных может быть крайне сложной задачей.
Об исследовании сообщила пресс-служба LLNL, Ливерморской национальной лаборатории.
