Опубликованное недавно в журнале Nature Machine Intelligence исследование решает проблему ограниченной доступности аннотированных, или помеченных, медицинских изображений, используя конкурентный подход обучения на непомеченных данных.
Это исследование, проведенное факультетами инженерии и информационных технологий Университета Монаша, может продвинуть область анализа медицинских изображений для радиологов и других специалистов в области здравоохранения.
Кандидат технических наук Химаши Пейрис с факультета инженерии сказала, что исследование было направлено на создание соревнования между двумя компонентами системы «двойного обзора» искусственного интеллекта.
«Одна часть системы ИИ пытается имитировать, как радиологи читают медицинские изображения, помечая их, в то время как другая часть системы оценивает качество помеченных сканов, созданных ИИ, сравнивая их с ограниченным количеством помеченных сканов, предоставленных радиологами», — сказала Пейрис.
«Традиционно радиологи и другие медицинские эксперты помечают медицинские сканы вручную, выделяя конкретные интересующие области, такие как опухоли или другие изменения. Эти пометки обеспечивают руководство или надзор для обучения моделей ИИ.
«Этот метод основан на субъективной интерпретации отдельных лиц, требует много времени и подвержен ошибкам и длительным ожиданиям для пациентов, ищущих лечение».
Доступность больших наборов помеченных медицинских изображений часто ограничена, так как требуются значительные усилия, время и опыт для ручной аннотации многих изображений.
Разработанный исследователями Монаша алгоритм позволяет нескольким моделям ИИ использовать уникальные преимущества помеченных и непомеченных данных и учиться на предсказаниях друг друга, чтобы улучшить общую точность.
«На трех общедоступных медицинских наборах данных, используя 10% помеченных данных, мы достигли среднего улучшения в 3% по сравнению с самым современным подходом в идентичных условиях», — сказала Пейрис.
«Наш алгоритм показал прорывные результаты в полусамообучении, превзойдя предыдущие передовые методы. Он демонстрирует выдающуюся производительность даже с ограниченными пометками, в отличие от алгоритмов, основанных на больших объемах помеченных данных.
«Это позволяет моделям ИИ принимать более обоснованные решения, проверять свои первоначальные оценки и выявлять более точные диагнозы и решения по лечению».
Следующая фаза исследования будет сосредоточена на расширении применения для работы с различными типами медицинских изображений и разработке специализированного продукта, который радиологи смогут использовать в своей практике.