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/
- :มี
- :เป็น
- :ไม่
- 10
- 2019
- a
- วิทยาลัย
- ความถูกต้อง
- ประสบความสำเร็จ
- ที่อยู่
- ทั้งหมด
- การอนุญาต
- ทางเลือก
- ในหมู่
- an
- การวิเคราะห์
- และ
- การใช้งาน
- การประยุกต์ใช้
- เข้าใกล้
- เหมาะสม
- เป็น
- AREA
- รอบ
- เทียม
- ปัญญาประดิษฐ์
- AS
- ช่วยเหลือ
- At
- อัตโนมัติ
- ตาม
- baseline
- กลายเป็น
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- เพิ่ม
- ทั้งสอง
- การหายใจ
- by
- ที่เรียกว่า
- CAN
- ความจุ
- กรณี
- ก่อให้เกิด
- ศูนย์
- ท้าทาย
- การตรวจสอบ
- เลือก
- การจัดหมวดหมู่
- แยกประเภท
- คลิก
- คลินิก
- ซีเอ็นเอ็น
- ครอบคลุม
- คอมพิวเตอร์
- ยืนยัน
- ได้
- Covid-19
- สร้าง
- ที่สร้างขึ้น
- เกณฑ์
- วิกฤติ
- พืช
- เส้นโค้ง
- ข้อมูล
- ชุดข้อมูล
- ลึก
- การเรียนรู้ลึก ๆ
- องศา
- แสดงให้เห็นถึง
- บรรยาย
- พัฒนา
- ความยากลำบาก
- โรค
- ความผิดปกติ
- หลาย
- แห้ง
- ในระหว่าง
- แต่ละ
- ก่อน
- ที่มีประสิทธิภาพ
- พอ
- ข้อผิดพลาด
- ประเมิน
- ตัวอย่าง
- ตัวอย่าง
- ที่มีอยู่
- แสดง
- ขยาย
- อธิบาย
- สำรวจ
- เท็จ
- สุดท้าย
- ชื่อจริง
- ตาม
- สำหรับ
- กรอบ
- ราคาเริ่มต้นที่
- โดยทั่วไป
- GPU
- กราฟิก
- แฮ็ค
- มี
- ช่วย
- จุดสูง
- สูงกว่า
- อย่างไรก็ตาม
- HTTPS
- แยกแยะ
- ระบุ
- ภาพ
- การจำแนกรูปภาพ
- ภาพ
- การถ่ายภาพ
- การดำเนินการ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- รวมทั้ง
- ขึ้น
- อินเดีย
- ข้อมูล
- Intelligence
- ปัญหา
- IT
- jpg
- ความรู้
- ไม่มี
- ใหญ่
- เรียนรู้
- การเรียนรู้
- ทำ
- ความกว้างสูงสุด
- มาตรการ
- ทางการแพทย์
- วิธี
- เมตริก
- ตัวชี้วัด
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- นาโน
- เชิงลบ
- เครือข่าย
- เครือข่ายประสาท
- ใหม่
- ปกติ
- นวนิยาย
- จำนวน
- ตัวเลข
- Nvidia
- ที่ได้รับ
- of
- on
- ONE
- เปิด
- การเพิ่มประสิทธิภาพ
- or
- อื่นๆ
- ผลิตภัณฑ์อื่นๆ
- เกิน
- ทั้งหมด
- โดยเฉพาะ
- ผู้ป่วย
- การปฏิบัติ
- ที่มีประสิทธิภาพ
- ระยะ
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โรคปอดบวม
- สระ
- ยอดนิยม
- portrays
- ที่อาจเกิดขึ้น
- อำนาจ
- นำเสนอ
- การเสนอ
- ประถม
- การประมวลผล
- สัดส่วน
- เสนอ
- ให้
- ให้
- สาธารณะ
- คุณภาพ
- อย่างรวดเร็ว
- คะแนน
- เรียลไทม์
- รับ
- ที่เกี่ยวข้อง
- ซากศพ
- การแสดง
- นักวิจัย
- ตามลำดับ
- เปิดเผย
- s
- SCI
- วิทยาศาสตร์
- เลือก
- หลาย
- กะ
- ความขาดแคลน
- สำคัญ
- คล้ายคลึงกัน
- เดียว
- บาง
- โดยเฉพาะ
- รัฐของศิลปะ
- กลยุทธ์
- การศึกษา
- ศึกษา
- อย่างเช่น
- อาการ
- งาน
- ทดสอบ
- การทดสอบ
- กว่า
- ที่
- พื้นที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- นี้
- สาม
- ภาพขนาดย่อ
- ไปยัง
- ด้านบน
- รวม
- รถไฟ
- การฝึกอบรม
- โอน
- การรักษา
- จริง
- ภายใต้
- หน่วย
- ใช้
- มือสอง
- การใช้
- การตรวจสอบ
- การตรวจสอบ
- ความคุ้มค่า
- ผ่านทาง
- การออกเสียง
- ว่า
- ที่
- ในขณะที่
- กับ
- ไม่มี
- ทั่วโลก
- เขียน
- รังสีเอกซ์
- ลมทะเล