Masinõppe raamistik klassifitseerib kopsupõletikku rindkere röntgenülesvõtetel

Kopsupõletik on potentsiaalselt surmaga lõppev kopsupõletik, mis areneb kiiresti. Patsiendid, kellel on kopsupõletiku sümptomid (nt kuiv köha, hingamisraskused ja kõrge palavik), läbivad tavaliselt kopsude stetoskoobiuuringu, millele järgneb diagnoosi kinnitamiseks rindkere röntgenuuring. Bakteriaalse ja viirusliku kopsupõletiku eristamine jääb siiski väljakutseks, kuna mõlemal on sarnane kliiniline pilt.

Matemaatiline modelleerimine ja tehisintellekt võivad aidata parandada haiguste diagnoosimise täpsust radiograafiliste piltide põhjal. Süvaõpe on muutunud üha populaarsemaks meditsiiniliste kujutiste klassifitseerimisel ja mitmed uuringud on uurinud konvolutsioonilise närvivõrgu (CNN) mudelite kasutamist kopsupõletiku automaatseks tuvastamiseks rindkere röntgenpiltide põhjal. Siiski on ülioluline luua tõhusaid mudeleid, mis suudavad analüüsida suurt hulka meditsiinilisi pilte ilma valede negatiivseteta.

Nüüd, KM Abubeker ja S Baskar juures Karpagami Kõrgharidusakadeemia on Indias loonud uudse masinõpperaamistiku rindkere röntgenpiltide kopsupõletiku klassifitseerimiseks graafikaprotsessoris (GPU). Nad kirjeldavad oma strateegiat Masinõpe: teadus ja tehnoloogia.

Koolituse andmete optimeerimine

Süvaõppe klassifikaatori jõudlus sõltub nii närvivõrgu mudelist kui ka võrgu koolitamiseks kasutatud andmete kvaliteedist. Meditsiinilise pildistamise puhul on piisavalt suure andmestiku puudumine peamise tulemuse põhjuseks. Selle puudujäägi kõrvaldamiseks kasutasid teadlased andmete suurendamist, mille käigus sünteesitakse uued koolitusandmed olemasolevatest andmetest (näiteks piltide pööramise, nihke ja kärpimise kaudu), et muuta andmestik terviklikumaks ja mitmekesisemaks.

Teine meetod, mida kasutatakse sobivate koolitusandmete puudumise kõrvaldamiseks, on õppimise ülekandmine – mudeli suutlikkuse parandamine uue ülesande õppimiseks, kasutades seotud ülesande täitmisel saadud olemasolevaid teadmisi. Uuringu esimeses etapis kasutasid Abubeker ja Baskar ülekandeõpet, et koolitada üheksa nüüdisaegset neuraalset CNN-i mudelit, et hinnata, kas rindkere röntgenipilt kujutab kopsupõletikku või mitte.

Katsetes kasutasid nad rindkere röntgenipilte avalikest RSNA Kaggle'i andmekogudest, sealhulgas treeningu pildid (1341 liigitati normaalseks, 1678 bakteriaalseks kopsupõletikuks ja 2197 viiruslikuks kopsupõletikuks), testimiseks (234 normaalset, 184 bakteriaalset kopsupõletikku, 206 viiruslikku kopsupõletikku). ) ja valideerimine (76 normaalset, 48 bakteriaalset kopsupõletikku, 56 viiruslikku kopsupõletikku). Geomeetrilise suurendamise rakendamine andmestikule laiendas seda kokku 2571 normaalse, 2019 bakteriaalse ja 2625 viirusliku kopsupõletiku pildini.

Tuginedes jõudlusnäitajatele, sealhulgas täpsusele, meeldetuletamisele ja ROC-kõvera alusele pindalale (AUROC, mõõdik, mis võtab kokku jõudluse mitmel lävel), valisid teadlased kolm parimat tulemuslikkust CNN-i mudelit – DenseNet-160, ResNet-121 ja VGGNet-16. ansamblitehnikas ümberõppeks.

Ansambli strateegia

Selle asemel, et tugineda ühele masinõppe mudelile, ühendavad ansamblimudelid mitme mudeli järeldused, et tõhustada jõudlusmõõdikuid ja minimeerida vigu. Teadlased töötasid välja ülekandeõppepõhise ansamblistrateegia nimega B2-Net ja kasutasid seda lõpliku mudeli loomiseks kolme valitud CNN-iga. Nad rakendasid lõpliku B2-Neti mudeli NVIDIA Jetson Nano GPU arvutis.

Nad märgivad, et koolituse ajal suutsid mõned mudelid paremini tuvastada tavalisi röntgenipilte, teised aga viirusliku ja bakteriaalse kopsupõletiku proovide tuvastamisel. Ansambli strateegia kasutab kaalutud hääletustehnikat, et anda igale klassifikaatorile kindel võimsusaste, mis põhineb eelnevalt määratletud kriteeriumidel.

Ümberõpetatud mudelid näitasid, et diagnostiline täpsus on võrreldes algmudelitega oluliselt paranenud. Mudelite testimine tasakaalustatud andmekogumiga näitas, et DenseNet-160, ResNet-121 ja VGGNet-16 saavutasid AUROC väärtused vastavalt 0.9801, 0.9822 ja 0.9955. Väljapakutud B2-Neti ansambli lähenemine ületas aga kõiki kolme – AUROC oli 0.9977.

Teadlased hindasid ja kinnitasid B2-Neti ja ülejäänud kolm mudelit, kasutades koondatud andmekogumist umbes 600 rindkere röntgenpildi alamhulka. DenseNet-160 tuvastas kolm kopsupõletiku testpilti, VGGNet-16 ja ResNet-121 aga ühe röntgenpildi. Üldiselt ületas kavandatud B2-Net lähenemisviis kõiki teisi mudeleid, eristades tavalisi juhtumeid, bakteriaalset kopsupõletikku ja viiruslikku kopsupõletikku rindkere röntgenpiltidel 97.69% täpsusega ja tagasikutsumissagedusega (tõeliste positiivsete osakaal positiivsete koguarvust). 100%.

AI kontrollib CT-skaneeringuid COVID-19 suhtes

Abubeker ja Baskar selgitavad, et kuigi valenegatiivne määr on meditsiinilise kujutise klassifikaatori jaoks kõige kriitilisem kriteerium, pakub pakutud B2-Net mudel parimat alternatiivi reaalajas kliinilisteks rakendusteks. "See lähenemine, eriti praeguste ülemaailmsete COVID-19 puhangute ajal, võib aidata radioloogidel kopsupõletikku kiiresti ja usaldusväärselt diagnoosida, võimaldades varakult ravi," kirjutavad nad.

Järgmisena kavatsevad nad oma mudelit laiendada, et klassifitseerida rohkem kopsuhaigusi, sealhulgas tuberkuloosi ja COVID-19 variante.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
• Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
• Allikas: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/