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/
- : har
- :er
- :ikke
- 10
- 2019
- a
- Academy
- nøyaktighet
- oppnådd
- adresse
- Alle
- tillate
- alternativ
- blant
- an
- analysere
- og
- søknader
- påføring
- tilnærming
- hensiktsmessig
- ER
- AREA
- rundt
- kunstig
- kunstig intelligens
- AS
- bistå
- At
- automatisk
- basert
- Baseline
- bli
- BEST
- Bedre
- mellom
- øke
- både
- puste
- by
- som heter
- CAN
- Kapasitet
- saker
- Årsak
- senter
- utfordre
- Sjekker
- valgte
- klassifisering
- Klassifisere
- klikk
- Klinisk
- CNN
- omfattende
- datamaskin
- Bekrefte
- kunne
- Covid-19
- skape
- opprettet
- kriterier
- kritisk
- avlinger
- skjøger
- dato
- datasett
- dyp
- dyp læring
- Grad
- demonstrert
- beskrive
- utviklet
- vanskeligheter
- sykdom
- lidelser
- diverse
- tørk
- under
- hver enkelt
- Tidlig
- effektiv
- nok
- feil
- evaluert
- eksempel
- eksempler
- eksisterende
- Expand
- utvidet
- Forklar
- utforsket
- falsk
- slutt~~POS=TRUNC
- Først
- fulgt
- Til
- Rammeverk
- fra
- generelt
- GPU
- grafikk
- hacking
- Ha
- hjelpe
- Høy
- høyere
- Men
- HTTPS
- identifisere
- identifisering
- bilde
- Bildeklassifisering
- bilder
- Imaging
- implementert
- forbedre
- forbedringer
- bedre
- in
- Inkludert
- stadig
- india
- informasjon
- Intelligens
- utstedelse
- IT
- jpg
- kunnskap
- maling
- stor
- LÆRE
- læring
- gjøre
- max bredde
- målinger
- medisinsk
- metode
- metrisk
- Metrics
- modell
- modellering
- modeller
- mer
- mest
- nano
- negativ
- nettverk
- nevrale nettverket
- Ny
- normal
- roman
- Antall
- tall
- Nvidia
- innhentet
- of
- on
- ONE
- åpen
- optimalisering
- or
- Annen
- andre
- enn
- samlet
- spesielt
- pasienter
- ytelse
- utfører
- fase
- fly
- plato
- Platon Data Intelligence
- PlatonData
- lungebetennelse
- basseng
- Populær
- skildrer
- potensielt
- makt
- presentere
- presentasjon
- primære
- prosessering
- Andelen
- foreslått
- gi
- gir
- offentlig
- kvalitet
- raskt
- Sats
- sanntids
- motta
- i slekt
- forblir
- representasjon
- forskere
- henholdsvis
- Avslørt
- s
- SCI
- Vitenskap
- valgt
- flere
- Skift
- mindre
- signifikant
- lignende
- enkelt
- noen
- spesifikk
- state-of-the-art
- Strategi
- studier
- Studer
- slik
- Symptomer
- Oppgave
- test
- Testing
- enn
- Det
- De
- Området
- deres
- de
- denne
- tre
- thumbnail
- til
- topp
- Totalt
- Tog
- Kurs
- overføre
- behandling
- sant
- etter
- enhet
- bruke
- brukt
- ved hjelp av
- validert
- validering
- Verdier
- av
- Stemmegivning
- om
- hvilken
- mens
- med
- uten
- verdensomspennende
- skrive
- røntgen
- zephyrnet