Chargement...

Un nouveau modèle d’IA ouvre la voie à un diagnostic fiable du COVID-19 via les rayons X des smartphones

Dans cet article :

  • L'étude évalue les limites du diagnostic des images radiographiques assisté par IA via des applications de messagerie (AIDXA) dans le contexte du diagnostic du COVID-19.
  • Les chercheurs dent « l'instabilité de prédiction » (PIP) et la « saillance hors poumon » (OLS) comme des défauts critiques dans les modèles AIDXA actuels.
  • Un modèle d'apprentissage multitâche révolutionnaire, COVIDMT, est introduit pour relever les défis PIP et OLS, montrant des résultats prometteurs.

Dans le cadre d'une avancée révolutionnaire vers l'amélioration de l'efficacité du diagnostic du COVID-19 sur smartphone, une étude récente publiée dans Scientific Reports se penche sur les subtilités du diagnostic assisté par IA des images radiographiques via des applications de messagerie (AIDXA). Avec le recours toujours croissant aux modèles d’IA pour les diagnostics médicaux, les chercheurs dévoilent les limites qui se cachent dans l’ombre, en particulier lors de l’analyse d’images radiographiques hautement compressées partagées via des applications pour smartphones.

Limites dévoilées

Dans leur quête pour examiner le paysage actuel du diagnostic du COVID-19 basé sur l’IA, les chercheurs présentent une étude de cas complète mettant en évidence deux limitations essentielles des systèmes AIDXA : l’instabilité de prédiction (PIP) et la saillance hors poumon (OLS). L’étude souligne l’impact critique de ces limitations sur la fiabilité des modèles d’IA dent identifier le COVID-19 grâce aux images radiographiques transmises par smartphone.

Les enquêteurs présentent un ajout révolutionnaire au paysage scientifique sous la forme d'un ensemble de données pionnier, appelé « WhatsApp CXR » (WaCXR). Cet ensemble de données méticuleusement organisé est expressément conçu pour examiner et évaluer l'impact de la compression d'images sur les performances des modèles AIDXA. Avec une compilation volumineuse dépassant 6 500 instances, englobant des images de radiographie thoracique (CXR) compressées et non compressées, cet ensemble de données sert de terrain expérimental pour mettre à nu les susceptibilités inhérentes aux modèles d’IA actuels.

Les révélations émanant de l'étude mettent en lumière la fragilité inhérente aux résultats prédictifs, dans laquelle un modèle singulier peut proposer des résultats de diagnostic contradictoires en fonction de l'état de compression de l'image radiologique considérée. Cette exploration nuancée souligne l’interaction complexe entre la compression d’images et la stabilité des prédictions diagnostiques de l’IA, contribuant ainsi de manière significative au discours en cours sur le raffinement et le renforcement de l’intelligence artificielle dans l’imagerie médicale.

Pour quantifier ces problèmes, les chercheurs introduisent le « PI Score » et le « OLS Score » comme mesures, mettant en lumière le degré d’instabilité et de saillance présent dans les modèles AIDXA de pointe. Ces mesures fournissent une base quantitative pour comprendre les limites qui entravent l’application transparente de l’IA dans le domaine du diagnostic du COVID-19.

COVIDMT est un modèle d’IA révolutionnaire

En réponse aux défis dent , les chercheurs dévoilent une solution révolutionnaire : COVIDMT. Ce nouveau modèle d'apprentissage multitâche (MTL) est méticuleusement conçu pour surmonter les lacunes des modèles AIDXA existants, en particulier en ce qui concerne PIP et OLS.

COVIDMT, construit sur un réseau d'apprentissage profond de pointe, inaugure une nouvelle ère de fiabilité dans le diagnostic du COVID-19. Tirant parti de l'apprentissage par transfert via les poids Imagenet, le modèle présente une amélioration de 40 % du score PI et de 35 % du score OLS par rapport à ses homologues comme ResNet-50 et ResNeXt-50.

Cette enquête approfondit les systèmes AIDXA largement utilisés, en examinant spécifiquement les réseaux neuronaux profonds notables tels que ResNet-50, ResNeXt-50, VGG-19, XceptionNet et le distinctif COVID-Net. Notamment, COVID-Net occupe une position de premier plan sous les projecteurs, étant donné son utilisation d’un ensemble de données de formation dent à celui de COVIDMT, facilitant ainsi une analyse comparative directe et significative.

Les résultats de l’évaluation complète mettent en évidence la résilience du COVIDMT, signalant un progrès notable en termes de stabilité et d’importance lorsqu’ils sont juxtaposés aux modèles de diagnostic IA COVID-19 dominants de l’ère actuelle. Ces résultats font subtilement allusion au potentiel prometteur inhérent aux cadres d’apprentissage multi-tâches (MTL), présentant une voie intrigante et fertile pour une exploration et une amélioration ultérieures dans le domaine du diagnostic médical.

L’avenir de l’IA dans le diagnostic du COVID-19 sur smartphone

À mesure que l’horizon du diagnostic médical basé sur l’IA s’élargit, l’étude nous amène à réfléchir aux défis et possibilités futurs. Les cadres d’apprentissage multitâches, illustrés par COVIDMT, peuvent-ils être la clé de voûte pour renforcer les modèles d’IA contre l’instabilité et la saillance ? La quête d’un diagnostic fiable et précis du COVID-19 via les smartphones occupe une place centrale, incitant les chercheurs et les praticiens à explorer des voies innovantes et à affiner la synergie entre l’intelligence artificielle et l’imagerie médicale.

Clause de non-responsabilité. Les informations fournies ne sont pas des conseils commerciaux. Cryptopolitan.com décline toute responsabilité pour les investissements effectués sur la base des informations fournies sur cette page. Nous tron vivement dent recherches indépendantes et/ou de consulter un professionnel qualifié avant de prendre toute décision d'investissement.

Lien de partage:

Les plus lus

Chargement des articles les plus lus...

Restez au courant de l'actualité crypto, recevez des mises à jour quotidiennes dans votre boîte de réception

Nouvelles connexes

Apple ne paie pas OpenAI pour l'intégration de ChatGPT dans iOS18
cryptopolite
Abonnez-vous à CryptoPolitan