La struttura di apprendimento automatico classifica la polmonite sulle radiografie del torace

La polmonite è un'infezione polmonare potenzialmente fatale che progredisce rapidamente. I pazienti con sintomi di polmonite - come una tosse secca e stizzosa, difficoltà respiratorie e febbre alta - generalmente ricevono un esame stetoscopico dei polmoni, seguito da una radiografia del torace per confermare la diagnosi. Distinguere tra polmonite batterica e virale, tuttavia, rimane una sfida, poiché entrambi hanno una presentazione clinica simile.

La modellazione matematica e l'intelligenza artificiale potrebbero aiutare a migliorare l'accuratezza della diagnosi delle malattie dalle immagini radiografiche. Il deep learning è diventato sempre più popolare per la classificazione delle immagini mediche e diversi studi hanno esplorato l'uso di modelli di rete neurale convoluzionale (CNN) per identificare automaticamente la polmonite dalle immagini radiografiche del torace. È fondamentale, tuttavia, creare modelli efficienti in grado di analizzare un gran numero di immagini mediche senza falsi negativi.

Ora, KM Abubeker e S Baskar al Accademia di istruzione superiore di Karpagam in India hanno creato un nuovo framework di apprendimento automatico per la classificazione della polmonite delle immagini radiografiche del torace su un'unità di elaborazione grafica (GPU). Descrivono la loro strategia in Apprendimento automatico: scienza e tecnologia.

Ottimizzazione dei dati di allenamento

Le prestazioni di un classificatore di deep learning si basano sia sul modello di rete neurale che sulla qualità dei dati utilizzati per addestrare la rete. Per l'imaging medico, la mancanza di un set di dati sufficientemente ampio è una causa primaria di prestazioni scadenti. Per affrontare questa carenza, i ricercatori hanno utilizzato l'aumento dei dati, in cui i nuovi dati di addestramento vengono sintetizzati dai dati esistenti (ad esempio tramite rotazioni, spostamenti e ritagli di immagini) per rendere il set di dati più completo e diversificato.

Un altro metodo impiegato per affrontare la mancanza di dati di addestramento appropriati è il trasferimento dell'apprendimento, ovvero il miglioramento della capacità di un modello di apprendere una nuova attività utilizzando le conoscenze esistenti ottenute durante l'esecuzione di un'attività correlata. Nella prima fase del loro studio, Abubeker e Baskar hanno utilizzato il transfer learning per addestrare nove modelli CNN neurali all'avanguardia per valutare se una radiografia del torace ritrae o meno la polmonite.

Per gli esperimenti, hanno utilizzato immagini radiografiche del torace da set di dati pubblici RSNA Kaggle, comprese immagini per l'addestramento (1341 classificate come normali, 1678 come polmonite batterica e 2197 come polmonite virale), test (234 normali, 184 polmonite batterica, 206 polmonite virale ) e validazione (76 normali, 48 polmonite batterica, 56 polmonite virale). L'applicazione dell'aumento geometrico al set di dati lo ha ampliato a un totale di 2571 immagini di polmonite normale, 2019 batterica e 2625 virale.

Sulla base di misurazioni delle prestazioni tra cui accuratezza, richiamo e area sotto la curva ROC (AUROC, una metrica che riassume le prestazioni su diverse soglie), i ricercatori hanno scelto i tre modelli CNN più performanti: DenseNet-160, ResNet-121 e VGGNet-16. per la riqualificazione utilizzando una tecnica d'insieme.

Strategia d'insieme

Anziché affidarsi a un singolo modello di apprendimento automatico, i modelli di ensemble raccolgono le conclusioni di diversi modelli per aumentare le metriche delle prestazioni e ridurre al minimo gli errori. I ricercatori hanno sviluppato una strategia di ensemble basata sull'apprendimento di trasferimento chiamata B2-Net e l'hanno utilizzata con le tre CNN selezionate per creare un modello finale. Hanno implementato il modello B2-Net finale su un computer GPU NVIDIA Jetson Nano.

Notano che durante l'addestramento, alcuni modelli hanno ottenuto risultati migliori nell'identificare le normali immagini a raggi X, mentre altri hanno ottenuto risultati migliori nell'identificare campioni di polmonite virale e batterica. La strategia dell'insieme utilizza una tecnica di votazione ponderata per fornire a ciascun classificatore uno specifico grado di potere basato su criteri predefiniti.

I modelli riaddestrati hanno dimostrato miglioramenti significativi nell'accuratezza diagnostica rispetto ai modelli di riferimento. Il test dei modelli su un set di dati bilanciato ha rivelato che DenseNet-160, ResNet-121 e VGGNet-16 hanno raggiunto rispettivamente valori AUROC di 0.9801, 0.9822 e 0.9955. L'approccio dell'insieme B2-Net proposto, tuttavia, ha sovraperformato tutti e tre, con un AUROC di 0.9977.

I ricercatori hanno valutato e convalidato B2-Net e gli altri tre modelli utilizzando un sottoinsieme di circa 600 immagini radiografiche del torace dal set di dati raggruppato. DenseNet-160 ha identificato erroneamente tre delle immagini del test della polmonite, mentre VGGNet-16 e ResNet-121 hanno diagnosticato erroneamente un'immagine a raggi X ciascuna. Nel complesso, l'approccio B2-Net proposto ha superato tutti gli altri modelli, distinguendo tra casi normali, polmonite batterica e polmonite virale nelle immagini radiografiche del torace con un'accuratezza del 97.69% e un tasso di richiamo (la proporzione di veri positivi rispetto al numero totale di positivi) del 100%.

AI controlla le scansioni TC per COVID-19

Abubeker e Baskar spiegano che mentre il tasso di falsi negativi è il criterio più critico per un classificatore di immagini mediche, il modello B2-Net proposto fornisce la migliore alternativa per le applicazioni cliniche in tempo reale. "Questo approccio, in particolare durante gli attuali focolai mondiali di COVID-19, potrebbe aiutare i radiologi a diagnosticare in modo rapido e affidabile la polmonite, consentendo un trattamento precoce", scrivono.

Successivamente, hanno in programma di espandere il loro modello per classificare più disturbi polmonari, comprese le varianti di tubercolosi e COVID-19.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoAiStream. Intelligenza dei dati Web3. Conoscenza amplificata. Accedi qui.
• Coniare il futuro con Adryenn Ashley. Accedi qui.
• Fonte: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/