Новая модель глубокого обучения может научиться определять заболевания по медицинским снимкам быстрее и точнее, согласно новому исследованию, проведенному командой компьютерных ученых Университета Альберты и дочерней компанией MEDO. Модель прорыва является результатом работы группы исследователей факультета естественных наук, включая вклад Пунэ Горджи, аспиранта, потерянного в рейсе PS752.
Глубокое обучение - это разновидность машинного обучения - подраздел искусственного интеллекта; Методы глубокого обучения - это компьютерные алгоритмы, которые находят закономерности в больших наборах данных и создают модели, которые затем можно использовать для прогнозирования. Эти модели работают лучше всего, когда они учатся на сотнях тысяч или даже миллионах примеров. Но область медицинской диагностики представляет собой уникальную проблему, где исследователи обычно имеют доступ только к нескольким сотням медицинских изображений сканирования из соображений конфиденциальности.
«Когда модель глубокого обучения обучается на таком небольшом количестве экземпляров, ее производительность, как правило, невысока», - сказал Роберто Вега, ведущий автор исследования и аспирант факультета вычислительной техники.
«В нашем исследовании мы рассмотрели проблему того, как изучить эффективные модели глубокого обучения для медицинских задач с несколькими экземплярами обучения. Основная идея заключается в том, что мы можем использовать знания, содержащиеся в медицинской литературе, чтобы лучше направлять процесс обучения ».
Повышение производительности достигается за счет обучения алгоритма на медицинских изображениях, а также соответствующей «вероятностной» диагностики, косвенно предоставляемой медицинскими экспертами. Этот подход позволяет алгоритму изучать закономерности, характеризующие каждое заболевание при сканировании, что позволяет ему предсказать, какое заболевание отображается в сканировании нового пациента, или если сканирование выглядит здоровым.
«Наш подход улучшил точность классификации модели и обеспечил значительную уверенность в ее предсказаниях, дав оценку вероятности того, что болезнь присутствует при сканировании», - сказал Вега.
«С помощью этого исследования мы хотим предоставить рентгенологам лучшие инструменты, которые сделают их работу проще, быстрее и эффективнее. У нас также есть проблема нехватки медицинского персонала, которая усугубляется в развивающихся странах. Мы надеемся, что сможем разработать модели, которые позволят нашим медицинским экспертам принимать более обоснованные решения ».
Работа многих
В исследование внесен значительный вклад Пунэ Горжи, посмертного выпускника факультета вычислительной техники и жертвы трагедии с рейсом PS752. В январе 2020 года Горджи и Араш Пурзараби отправились домой в Иран, чтобы пожениться, и были двумя из четырех членов сообщества факультета естественных наук среди 176 человек, погибших в рейсе PS752.
Для команды исследование - это также возможность отдать дань уважения наследию Горджи и ее критическому вкладу в проект. Когда исследователи начали проект, алгоритм был ориентирован исключительно на дисплазию тазобедренного сустава, объяснил Вега. Горджи работала над разработкой моделей машинного обучения для выявления ожирения печени, и именно ее присоединение к команде в конечном итоге привело к изменению алгоритма и прорыву в производительности.
«Оригинал алгоритм не помогал с ожирением печени, поэтому мы с Пуне начали работать вместе, чтобы решить эту проблему. Через несколько недель мы обнаружили важный недостаток в первоначальном подходе и смогли предложить решение, которое включало новый математический способ решения части модели », - сказал Вега.