Maskinlæringsramme klassifiserer lungebetennelse på røntgen av thorax

Lungebetennelse er en potensielt dødelig lungeinfeksjon som utvikler seg raskt. Pasienter med lungebetennelsessymptomer – som tørr hoste, pustevansker og høy feber – får vanligvis en stetoskopundersøkelse av lungene, etterfulgt av røntgen av thorax for å bekrefte diagnosen. Å skille mellom bakteriell og viral lungebetennelse er imidlertid fortsatt en utfordring, siden begge har lignende klinisk presentasjon.

Matematisk modellering og kunstig intelligens kan bidra til å forbedre nøyaktigheten av sykdomsdiagnostikk fra radiografiske bilder. Dyplæring har blitt stadig mer populært for medisinsk bildeklassifisering, og flere studier har utforsket bruken av CNN-modeller (convolutional neural network) for automatisk å identifisere lungebetennelse fra røntgenbilder av thorax. Det er imidlertid avgjørende å lage effektive modeller som kan analysere et stort antall medisinske bilder uten falske negativer.

Nå, KM Abubeker og S Baskar på Karpagam Academy of Higher Education i India har laget et nytt maskinlæringsrammeverk for klassifisering av lungebetennelse av røntgenbilder av thorax på en grafisk prosesseringsenhet (GPU). De beskriver strategien sin i Maskinlæring: Vitenskap og teknologi.

Treningsdataoptimalisering

Ytelsen til en dyplæringsklassifiser er avhengig av både den nevrale nettverksmodellen og kvaliteten på dataene som brukes til å trene nettverket. For medisinsk bildebehandling er mangelen på et stort nok datasett en primær årsak til dårlig ytelse. For å løse denne mangelen brukte forskerne dataforsterkning, der nye treningsdata syntetiseres fra eksisterende data (for eksempel via bilderotasjoner, skift og beskjæringer) for å gjøre datasettet mer omfattende og mangfoldig.

En annen metode som brukes for å adressere mangelen på passende opplæringsdata er overføringslæring – å forbedre en modells kapasitet til å lære en ny oppgave ved å bruke eksisterende kunnskap oppnådd mens du utfører en relatert oppgave. I den første fasen av studien deres brukte Abubeker og Baskar overføringslæring for å trene ni toppmoderne nevrale CNN-modeller for å vurdere hvorvidt røntgen av thorax viser lungebetennelse eller ikke.

For eksperimentene brukte de røntgenbilder fra thorax fra offentlige RSNA Kaggle-datasett, inkludert bilder for trening (1341 kategorisert som normal, 1678 som bakteriell lungebetennelse og 2197 som viral lungebetennelse), testing (234 normal, 184 bakteriell lungebetennelse, 206 viral pneumoni) ) og validering (76 normal, 48 bakteriell lungebetennelse, 56 viral lungebetennelse). Ved å bruke geometrisk forsterkning på datasettet ble det utvidet til totalt 2571 bilder av normal, 2019 og 2625 viral lungebetennelse.

Basert på ytelsesmål inkludert nøyaktighet, tilbakekalling og arealet under ROC-kurven (AUROC, en metrisk oppsummering av ytelse over flere terskler), valgte forskerne de tre beste CNN-modellene – DenseNet-160, ResNet-121 og VGGNet-16 – for omskolering ved bruk av ensembleteknikk.

Ensemble strategi

I stedet for å stole på én enkelt maskinlæringsmodell, samler ensemblemodeller konklusjonene fra flere modeller for å øke ytelsesmålingene og minimere feil. Forskerne utviklet en overføringslæringsbasert ensemblestrategi kalt B2-Net og brukte denne sammen med de tre utvalgte CNN-ene for å lage en endelig modell. De implementerte den endelige B2-Net-modellen på en NVIDIA Jetson Nano GPU-datamaskin.

De bemerker at under trening presterte noen modeller bedre når det gjaldt å identifisere normale røntgenbilder, mens andre presterte bedre når det gjaldt å identifisere prøver av viral og bakteriell lungebetennelse. Ensemblestrategien bruker en vektet stemmeteknikk for å gi hver klassifiserer en spesifikk grad av makt basert på forhåndsdefinerte kriterier.

De omskolerte modellene viste betydelige forbedringer i diagnostisk nøyaktighet i forhold til grunnlinjemodellene. Testing av modellene på et balansert datasett viste at DenseNet-160, ResNet-121 og VGGNet-16 oppnådde AUROC-verdier på henholdsvis 0.9801, 0.9822 og 0.9955. Den foreslåtte B2-Net ensemble-tilnærmingen overgikk imidlertid alle tre, med en AUROC på 0.9977.

Forskerne evaluerte og validerte B2-Net og de tre andre modellene ved å bruke en undergruppe på rundt 600 røntgenbilder fra det samlede datasettet. DenseNet-160 feilidentifiserte tre av lungebetennelsestestbildene, mens VGGNet-16 og ResNet-121 feildiagnostiserte ett røntgenbilde hver. Totalt sett overgikk den foreslåtte B2-Net-tilnærmingen alle andre modeller, og skilte mellom normale tilfeller, bakteriell lungebetennelse og viral lungebetennelse i røntgenbilder av thorax med 97.69 % nøyaktighet og en tilbakekallingsrate (andelen sanne positive blant det totale antallet positive) på 100 %.

AI sjekker CT-skanninger for COVID-19

Abubeker og Baskar forklarer at selv om den falske negative frekvensen er det mest kritiske kriteriet for en medisinsk bildeklassifisering, gir den foreslåtte B2-Net-modellen det beste alternativet for sanntids kliniske applikasjoner. "Denne tilnærmingen, spesielt under de nåværende verdensomspennende COVID-19-utbruddene, kan hjelpe radiologer med å raskt og pålitelig diagnostisere lungebetennelse, noe som muliggjør tidlig behandling," skriver de.

Deretter planlegger de å utvide modellen for å klassifisere flere lungesykdommer, inkludert TB og COVID-19-varianter.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoAiStream. Web3 Data Intelligence. Kunnskap forsterket. Tilgang her.
• Minting the Future med Adryenn Ashley. Tilgang her.
• kilde: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/