Пусть ИИ найдет очаг поражения: эра диагностики медицинских изображений может попрощаться с «эпохой ручной разметки»
Китайские исследователи разработали модель искусственного интеллекта AFLoc, которая автоматически обнаруживает патологии на медицинских снимках, обучаясь на сопоставлении изображений с клиническими отчетами, без необходимости предварительной ручной разметки данных врачами
Скриншот страницы газеты
Short Summary
Исследовательская группа под руководством Ван Шаньшань из Шэньчжэньского института передовых технологий Китайской академии наук представила модель искусственного интеллекта AFLoc, способную автоматически находить очаги заболеваний на медицинских изображениях без предварительной ручной разметки этих областей врачами. Модель была подробно описана в журнале Nature Biomedical Engineering и демонстрирует новый подход к обучению ИИ в медицине.
Традиционные методы требуют, чтобы врачи вручную «обводили» патологии на снимках для создания обучающих данных, что является трудоёмким и ограничивает масштабирование технологий. AFLoc решает эту проблему, обучаясь на двух типах данных одновременно: самих медицинских изображениях (рентгенограммах грудной клетки, снимках глазного дна, гистологических срезах) и соответствующих им клинических отчётах, написанных врачами. Через процесс «сопоставительного обучения» модель самостоятельно устанавливает связь между текстовыми описаниями болезней в отчётах и визуальными признаками на снимках.
В ходе валидации на трёх типах изображений AFLoc показала превосходную производительность в локализации очагов поражения, превзойдя существующие методы и в некоторых случаях даже экспертов-людей. Модель также продемонстрировала сильные возможности в диагностике заболеваний в условиях «обучения с нуля». В будущем команда планирует внедрять и проверять AFLoc в реальных многопрофильных клинических сценариях, чтобы способствовать её превращению в систему клинической поддержки принятия решений.
Обучение без ручной разметки
Модель AFLoc обучается, сопоставляя медицинские изображения с клиническими отчётами, что устраняет необходимость в трудоёмкой предварительной ручной разметке очагов поражения врачами
Превосходная производительность локализации
В тестах на рентгенограммах грудной клетки, охватывающих 34 заболевания, AFLoc превзошла существующие методы по нескольким метрикам локализации и в ряде случаев превысила уровень экспертов-людей
Мощные диагностические возможности
Модель показала высокую эффективность в задачах классификации заболеваний «с нуля» на различных типах изображений, в некоторых случаях превзойдя модели, дообученные на размеченных данных
Широкий спектр применения
Система была успешно протестирована на трёх различных модальностях медицинской визуализации: рентгенограммах грудной клетки, снимках глазного дна и гистологических изображениях, демонстрируя стабильную производительность
Text generated using AI
Источник:
Журнал медицинских наук
