يصنف إطار التعلم الآلي الالتهاب الرئوي في الأشعة السينية للصدر

الالتهاب الرئوي هو عدوى رئوية قاتلة تتطور بسرعة. المرضى الذين يعانون من أعراض الالتهاب الرئوي - مثل السعال الجاف وصعوبة التنفس والحمى الشديدة - يتلقون عمومًا فحصًا لسماعة الطبيب للرئتين ، يتبعه تصوير الصدر بالأشعة السينية لتأكيد التشخيص. ومع ذلك ، لا يزال التمييز بين الالتهاب الرئوي الجرثومي والفيروسي يمثل تحديًا ، حيث أن كلاهما لهما عرض سريري مماثل.

يمكن أن تساعد النمذجة الرياضية والذكاء الاصطناعي في تحسين دقة تشخيص الأمراض من الصور الشعاعية. أصبح التعلم العميق شائعًا بشكل متزايد لتصنيف الصور الطبية ، واستكشفت العديد من الدراسات استخدام نماذج الشبكة العصبية التلافيفية (CNN) لتحديد الالتهاب الرئوي تلقائيًا من صور الأشعة السينية للصدر. ومع ذلك ، من الأهمية بمكان إنشاء نماذج فعالة يمكنها تحليل أعداد كبيرة من الصور الطبية بدون سلبيات خاطئة.

الآن ، KM Abubeker و S Baskar في أكاديمية كارباغام للتعليم العالي في الهند ، تم إنشاء إطار جديد للتعلم الآلي لتصنيف الالتهاب الرئوي لصور الصدر بالأشعة السينية على وحدة معالجة الرسومات (GPU). يصفون استراتيجيتهم في تعلم الآلة: العلوم والتكنولوجيا.

تحسين بيانات التدريب

يعتمد أداء مصنف التعلم العميق على كل من نموذج الشبكة العصبية وجودة البيانات المستخدمة لتدريب الشبكة. بالنسبة للتصوير الطبي ، فإن عدم وجود مجموعة بيانات كبيرة بما يكفي هو السبب الرئيسي لأداء دون المستوى. لمعالجة هذا النقص ، استخدم الباحثون زيادة البيانات ، حيث يتم تجميع بيانات التدريب الجديدة من البيانات الموجودة (على سبيل المثال عن طريق تدوير الصور والتحولات والمحاصيل) لجعل مجموعة البيانات أكثر شمولاً وتنوعاً.

هناك طريقة أخرى تستخدم لمعالجة نقص بيانات التدريب المناسبة وهي نقل التعلم - تحسين قدرة النموذج على تعلم مهمة جديدة باستخدام المعرفة الحالية التي تم الحصول عليها أثناء أداء مهمة ذات صلة. في المرحلة الأولى من دراستهم ، استخدم Abubeker و Baskar التعلم الانتقالي لتدريب تسعة من أحدث نماذج CNN العصبية لتقييم ما إذا كان تصوير الصدر بالأشعة السينية يصور الالتهاب الرئوي أم لا.

بالنسبة للتجارب ، استخدموا صور الأشعة السينية للصدر من مجموعات بيانات RSNA Kaggle العامة ، بما في ذلك صور للتدريب (1341 مصنفة على أنها طبيعية ، 1678 على أنها التهاب رئوي جرثومي و 2197 على أنها التهاب رئوي فيروسي) ، اختبار (234 طبيعي ، 184 التهاب رئوي جرثومي ، 206 التهاب رئوي فيروسي) ) والتحقق من الصحة (76 طبيعي ، 48 التهاب رئوي جرثومي ، 56 التهاب رئوي فيروسي). أدى تطبيق الزيادة الهندسية على مجموعة البيانات إلى توسيعها إلى ما مجموعه 2571 صورة عادية و 2019 بكتيرية و 2625 صورة للالتهاب الرئوي الفيروسي.

بناءً على مقاييس الأداء بما في ذلك الدقة والاستدعاء والمنطقة الواقعة أسفل منحنى ROC (AUROC ، وهو مقياس يلخص الأداء على عدة عتبات) ، اختار الباحثون نماذج CNN الثلاثة الأفضل أداءً - DenseNet-160 و ResNet-121 و VGGNet-16 - لإعادة التدريب باستخدام تقنية الفرقة.

استراتيجية الفريق

بدلاً من الاعتماد على نموذج واحد للتعلم الآلي ، تجمع نماذج المجموعات استنتاجات عدة نماذج لتعزيز مقاييس الأداء وتقليل الأخطاء. طور الباحثون استراتيجية مجموعة قائمة على التعلم تسمى B2-Net واستخدموها مع شبكات CNN الثلاثة المختارة لإنشاء نموذج نهائي. قاموا بتطبيق نموذج B2-Net النهائي على كمبيوتر NVIDIA Jetson Nano GPU.

لاحظوا أنه أثناء التدريب ، كان أداء بعض النماذج أفضل في تحديد صور الأشعة السينية العادية ، بينما كان أداء البعض الآخر أفضل في تحديد عينات الالتهاب الرئوي الفيروسي والبكتيري. تستخدم استراتيجية المجموعة أسلوب التصويت الموزون لتزويد كل مصنف بدرجة معينة من القوة بناءً على معايير محددة مسبقًا.

أظهرت النماذج المعاد تدريبها تحسينات كبيرة في دقة التشخيص على النماذج الأساسية. أظهر اختبار النماذج على مجموعة بيانات متوازنة أن DenseNet-160 و ResNet-121 و VGGNet-16 حققت قيم AUROC تبلغ 0.9801 و 0.9822 و 0.9955 على التوالي. ومع ذلك ، فقد تفوق نهج المجموعة B2-Net المقترح على الثلاثة ، مع AUROC بقيمة 0.9977.

قام الباحثون بتقييم والتحقق من صحة B2-Net والنماذج الثلاثة الأخرى باستخدام مجموعة فرعية من حوالي 600 صورة بالأشعة السينية للصدر من مجموعة البيانات المجمعة. أخطأ DenseNet-160 في التعرف على ثلاث صور لاختبار الالتهاب الرئوي ، بينما أخطأ VGGNet-16 و ResNet-121 في تشخيص صورة واحدة بالأشعة السينية لكل منهما. بشكل عام ، تفوق نهج B2-Net المقترح على جميع النماذج الأخرى ، حيث يميز بين الحالات العادية والالتهاب الرئوي الجرثومي والالتهاب الرئوي الفيروسي في صور الأشعة السينية للصدر بدقة 97.69 ٪ ومعدل الاسترجاع (نسبة الإيجابيات الحقيقية بين إجمالي عدد الإيجابيات) 100٪.

يتحقق الذكاء الاصطناعي من فحوصات التصوير المقطعي المحوسب بحثًا عن COVID-19

يوضح أبوبكر وباسكار أنه في حين أن المعدل السلبي الخاطئ هو المعيار الأكثر أهمية لمصنف الصور الطبية ، فإن نموذج B2-Net المقترح يوفر أفضل بديل للتطبيقات السريرية في الوقت الفعلي. وكتبوا: "يمكن أن يساعد هذا النهج ، لا سيما أثناء تفشي COVID-19 في جميع أنحاء العالم ، أطباء الأشعة في تشخيص الالتهاب الرئوي بسرعة وبشكل موثوق ، مما يسمح بالعلاج المبكر".

بعد ذلك ، يخططون لتوسيع نموذجهم لتصنيف المزيد من اضطرابات الرئة ، بما في ذلك متغيرات السل و COVID-19.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
• سك المستقبل مع أدرين أشلي. الوصول هنا.
• المصدر https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/