กรอบการเรียนรู้ของเครื่องจำแนกประเภทของปอดบวมบนเอกซเรย์ทรวงอก

โรคปอดบวมคือการติดเชื้อในปอดที่อาจถึงแก่ชีวิตซึ่งดำเนินไปอย่างรวดเร็ว ผู้ป่วยที่มีอาการของโรคปอดบวม เช่น อาการไอแห้งๆ หายใจลำบาก และมีไข้สูง โดยทั่วไปจะได้รับการตรวจปอดด้วยหูฟัง ตามด้วยการเอ็กซ์เรย์หน้าอกเพื่อยืนยันการวินิจฉัย อย่างไรก็ตาม การแยกแยะความแตกต่างระหว่างโรคปอดบวมจากแบคทีเรียและไวรัสยังคงเป็นเรื่องท้าทาย เนื่องจากทั้งสองมีการนำเสนอทางคลินิกที่คล้ายคลึงกัน

การสร้างแบบจำลองทางคณิตศาสตร์และปัญญาประดิษฐ์สามารถช่วยปรับปรุงความแม่นยำในการวินิจฉัยโรคจากภาพเอ็กซ์เรย์ได้ การเรียนรู้เชิงลึกได้รับความนิยมมากขึ้นเรื่อยๆ ในการจัดหมวดหมู่ภาพทางการแพทย์ และมีงานวิจัยหลายชิ้นได้สำรวจการใช้แบบจำลองเครือข่ายประสาทเทียม (CNN) เพื่อระบุโรคปอดบวมจากภาพเอ็กซ์เรย์ทรวงอกโดยอัตโนมัติ อย่างไรก็ตาม การสร้างแบบจำลองที่มีประสิทธิภาพซึ่งสามารถวิเคราะห์ภาพทางการแพทย์จำนวนมากโดยไม่มีผลลบลวงถือเป็นสิ่งสำคัญ

ตอนนี้ KM Abubeker และ S Baskar อยู่ที่ สถาบันอุดมศึกษา Karpagam ในอินเดียได้สร้างกรอบงานการเรียนรู้ของเครื่องแบบใหม่สำหรับการจำแนกโรคปอดบวมของภาพเอ็กซ์เรย์ทรวงอกบนหน่วยประมวลผลกราฟิก (GPU) พวกเขาอธิบายกลยุทธ์ของพวกเขาใน การเรียนรู้ของเครื่อง: วิทยาศาสตร์และเทคโนโลยี.

การเพิ่มประสิทธิภาพข้อมูลการฝึกอบรม

ประสิทธิภาพของตัวแยกประเภทการเรียนรู้เชิงลึกนั้นขึ้นอยู่กับทั้งโมเดลโครงข่ายประสาทเทียมและคุณภาพของข้อมูลที่ใช้ในการฝึกเครือข่าย สำหรับการถ่ายภาพทางการแพทย์ การไม่มีชุดข้อมูลที่มีขนาดใหญ่เพียงพอเป็นสาเหตุหลักของประสิทธิภาพที่ต่ำกว่ามาตรฐาน เพื่อแก้ไขปัญหาการขาดแคลนนี้ นักวิจัยได้ใช้การเพิ่มข้อมูล ซึ่งข้อมูลการฝึกอบรมใหม่จะถูกสังเคราะห์จากข้อมูลที่มีอยู่ (เช่น ผ่านการหมุนภาพ การเปลี่ยนแปลง และการครอบตัด) เพื่อทำให้ชุดข้อมูลครอบคลุมและหลากหลายมากขึ้น

อีกวิธีหนึ่งที่ใช้เพื่อจัดการกับการขาดข้อมูลการฝึกอบรมที่เหมาะสมคือการถ่ายโอนการเรียนรู้ – การปรับปรุงความสามารถของแบบจำลองในการเรียนรู้งานใหม่โดยใช้ความรู้ที่มีอยู่ที่ได้รับขณะปฏิบัติงานที่เกี่ยวข้อง ในช่วงแรกของการศึกษา Abubeker และ Baskar ใช้การเรียนรู้แบบถ่ายโอนเพื่อฝึกแบบจำลองระบบประสาท CNN ที่ทันสมัยจำนวน XNUMX โมเดล เพื่อประเมินว่าการเอ็กซเรย์ทรวงอกแสดงถึงโรคปอดบวมหรือไม่

สำหรับการทดลอง พวกเขาใช้ภาพเอ็กซ์เรย์ทรวงอกจากชุดข้อมูล RSNA Kaggle สาธารณะ รวมถึงรูปภาพสำหรับการฝึก (1341 จัดอยู่ในประเภทปกติ, 1678 เป็นโรคปอดบวมจากแบคทีเรีย และ 2197 เป็นโรคปอดบวมจากไวรัส) การทดสอบ (234 ปกติ, 184 ปอดบวมจากแบคทีเรีย, 206 ปอดบวมจากไวรัส ) และการตรวจสอบความถูกต้อง (ปกติ 76 รายการ โรคปอดบวมจากแบคทีเรีย 48 รายการ โรคปอดบวมจากไวรัส 56 รายการ) การใช้การเสริมเรขาคณิตกับชุดข้อมูลได้ขยายเป็นภาพปกติ 2571 ภาพ ภาพแบคทีเรียปี 2019 และภาพปอดบวมจากไวรัส 2625 ภาพ

จากการวัดประสิทธิภาพซึ่งรวมถึงความแม่นยำ การเรียกคืน และพื้นที่ใต้เส้นโค้ง ROC (AUROC ซึ่งเป็นการวัดผลสรุปประสิทธิภาพเหนือเกณฑ์ต่างๆ) นักวิจัยได้เลือกโมเดล CNN ที่มีประสิทธิภาพสูงสุดสามรุ่น ได้แก่ DenseNet-160, ResNet-121 และ VGGNet-16 – สำหรับการฝึกขึ้นใหม่โดยใช้เทคนิคทั้งมวล

กลยุทธ์ทั้งมวล

แทนที่จะอาศัยโมเดลแมชชีนเลิร์นนิงเพียงโมเดลเดียว โมเดลทั้งมวลจะรวบรวมข้อสรุปของโมเดลหลายตัวเพื่อเพิ่มเมตริกประสิทธิภาพและลดข้อผิดพลาดให้เหลือน้อยที่สุด นักวิจัยได้พัฒนากลยุทธ์การรวมกลุ่มที่เน้นการเรียนรู้แบบถ่ายโอนที่เรียกว่า B2-Net และใช้กลยุทธ์นี้กับ CNN ที่ได้รับการคัดเลือก 2 แห่งเพื่อสร้างแบบจำลองขั้นสุดท้าย พวกเขาใช้โมเดล BXNUMX-Net สุดท้ายบนคอมพิวเตอร์ NVIDIA Jetson Nano GPU

พวกเขาสังเกตว่าในระหว่างการฝึกอบรม โมเดลบางรุ่นทำงานได้ดีกว่าในการระบุภาพเอ็กซ์เรย์ปกติ ในขณะที่รุ่นอื่นๆ ระบุตัวอย่างโรคปอดบวมจากไวรัสและแบคทีเรียได้ดีกว่า กลยุทธ์ทั้งมวลใช้เทคนิคการลงคะแนนแบบถ่วงน้ำหนักเพื่อให้แต่ละลักษณนามมีระดับพลังงานเฉพาะตามเกณฑ์ที่กำหนดไว้ล่วงหน้า

แบบจำลองที่ได้รับการอบรมใหม่แสดงให้เห็นถึงการปรับปรุงความแม่นยำในการวินิจฉัยอย่างมีนัยสำคัญมากกว่าแบบจำลองพื้นฐาน การทดสอบแบบจำลองบนชุดข้อมูลที่สมดุลพบว่า DenseNet-160, ResNet-121 และ VGGNet-16 ได้รับค่า AUROC ที่ 0.9801, 0.9822 และ 0.9955 ตามลำดับ อย่างไรก็ตาม วิธีการทั้งมวล B2-Net ที่เสนอนั้นมีประสิทธิภาพเหนือกว่าทั้งสามวิธี โดยมี AUROC อยู่ที่ 0.9977

นักวิจัยได้ประเมินและตรวจสอบความถูกต้องของ B2-Net และอีก 600 รุ่นโดยใช้ชุดย่อยของภาพเอ็กซ์เรย์ทรวงอกประมาณ 160 ภาพจากชุดข้อมูลที่รวบรวมไว้ DenseNet-16 ระบุภาพทดสอบโรคปอดบวมอย่างไม่ถูกต้องสามภาพ ในขณะที่ VGGNet-121 และ ResNet-2 วินิจฉัยภาพรังสีเอกซ์อย่างผิดภาพละหนึ่งภาพ โดยรวมแล้ว วิธีการ B97.69-Net ที่เสนอมีประสิทธิภาพเหนือกว่าโมเดลอื่นๆ ทั้งหมด โดยแยกความแตกต่างระหว่างกรณีปกติ โรคปอดบวมจากแบคทีเรีย และโรคปอดบวมจากไวรัสในภาพเอ็กซ์เรย์หน้าอกด้วยความแม่นยำ 100% และอัตราการเรียกคืน (สัดส่วนของผลบวกที่แท้จริงต่อจำนวนผลบวกทั้งหมด) ของ XNUMX%

AI ตรวจสอบการสแกน CT เพื่อหา COVID-19

Abubeker และ Baskar อธิบายว่าแม้ว่าอัตราผลลบลวงจะเป็นเกณฑ์ที่สำคัญที่สุดสำหรับเครื่องแยกประเภทภาพทางการแพทย์ แต่แบบจำลอง B2-Net ที่เสนอนั้นเป็นทางเลือกที่ดีที่สุดสำหรับการใช้งานทางคลินิกแบบเรียลไทม์ “แนวทางนี้ โดยเฉพาะอย่างยิ่งในช่วงที่มีการระบาดของไวรัสโควิด-19 ทั่วโลกในปัจจุบัน สามารถช่วยให้นักรังสีวิทยาวินิจฉัยโรคปอดบวมได้อย่างรวดเร็วและเชื่อถือได้ ทำให้สามารถรักษาได้ตั้งแต่เนิ่นๆ” พวกเขาเขียน

ถัดไป พวกเขาวางแผนที่จะขยายแบบจำลองเพื่อจำแนกความผิดปกติของปอดเพิ่มเติม ซึ่งรวมถึงวัณโรคและโรคโควิด-19

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
• การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
• ที่มา: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/