Новая модель ИИ прокладывает путь к надежной диагностике COVID-19 через рентген смартфонов
- Исследование оценивает ограничения системы ИИ-ассистированной диагностики рентгеновских снимков через мессенджеры (AIDXA) в контексте диагностики COVID-19.
- Исследователи выявляют «Нестабильность предсказаний» (PIP) и «Выход за пределы легочной области» (OLS) как критические недостатки текущих моделей AIDXA.
- Представлена новаторская многозадачная модель обучения COVIDMT, направленная на решение проблем PIP и OLS, показавшая перспективные результаты.
В прорывном шаге к повышению эффективности диагностики COVID-19 на основе смартфонов, недавнее исследование, опубликованное в Scientific Reports, погружается в тонкости ИИ-помощника в диагностике рентгеновских изображений через мессенджеры (AIDXA). По мере все возрастающей зависимости от моделей ИИ для медицинской диагностики, исследователи раскрывают ограничения, которые скрывались в тени, особенно при анализе сильно сжатых рентгеновских изображений, передаваемых через приложения для смартфонов.
Раскрытые ограничения
В своем стремлении изучить текущий ландшафт диагностики COVID-19 на основе ИИ, исследователи представляют всеобъемлющее исследование случая, выделяющее два ключевых ограничения систем AIDXA — Нестабильность предсказания (PIP) и Салиентность вне легких (OLS). Исследование подчеркивает критическое влияние этих ограничений на надежность моделей ИИ при идентификации COVID-19 через рентгеновские изображения, переданные через смартфон.
Исследователи представляют прорывное дополнение к научному ландшафту в виде новаторского набора данных, обозначенного как «WhatsApp CXR» (WaCXR). Этот тщательно курируемый набор данных специально разработан для изучения и оценки влияния сжатия изображений на производительность моделей AIDXA. С объемной компиляцией, превышающей 6500 экземпляров, включающей как сжатые, так и несжатые рентгеновские изображения грудной клетки (CXR), этот набор данных служит экспериментальной площадкой для выявления уязвимостей, присущих текущим моделям ИИ.
Откровения, исходящие от исследования, освещают внутреннюю хрупкость предсказательных результатов, при которой одна и та же модель может предлагать противоречивые диагностические результаты в зависимости от статуса сжатия рассматриваемого рентгеновского изображения. Это тонкое исследование подчеркивает сложное взаимодействие между сжатием изображений и стабильностью диагностических предсказаний ИИ, тем самым внося значительный вклад в продолжающийся дискурс о совершенствовании и укреплении искусственного интеллекта в медицинской визуализации.
Чтобы количественно оценить эти проблемы, исследователи вводят «PI Score» и «OLS Score» в качестве метрик, проливая свет на степень нестабильности и салиентности, присутствующих в современных моделях AIDXA. Эти метрики обеспечивают количественную основу для понимания ограничений, препятствующих бесшовному применению ИИ в области диагностики COVID-19.
COVIDMT — меняющая правила игры модель ИИ
В ответ на выявленные проблемы исследователи представляют решение, меняющее правила игры — COVIDMT. Эта новая модель многозадачного обучения (MTL) тщательно разработана для преодоления недостатков существующих моделей AIDXA, особенно решения проблем PIP и OLS.
COVIDMT, построенная на современной сети глубокого обучения, открывает новую эру надежности в диагностике COVID-19. Используя трансферное обучение через веса Imagenet, модель демонстрирует улучшение на 40% по показателю PI и улучшение на 35% по показателю OLS по сравнению с ее аналогами, такими как ResNet-50 и ResNeXt-50.
Это исследование глубоко погружается в широко используемые системы AIDXA, конкретно изучая заметные глубокие нейронные сети, такие как ResNet-50, ResNeXt-50, VGG-19, XceptionNet и отличительную COVID-Net. Примечательно, что COVID-Net занимает видное место в центре внимания, учитывая использование ею того же обучающего набора данных, что и COVIDMT, что облегчает прямое и значимое сравнительное анализ.
Результаты комплексной оценки подчеркивают устойчивость COVIDMT, сигнализируя о заметном прогрессе как в стабильности, так и в салиентности по сравнению с преобладающими моделями диагностики COVID-19 на базе ИИ текущего поколения. Эти выводы тонко намекают на многообещающий потенциал, присущий框架м многозадачного обучения (MTL), представляя интригующий и плодотворный путь для последующего исследования и улучшения в области медицинской диагностики.
Будущее ИИ в диагностике COVID-19 на смартфонах
По мере расширения горизонта ИИ-управляемой медицинской диагностики, исследование заставляет нас задуматься о будущих вызовах и возможностях. Могут ли многозадачные обучающие frameworks, такие как COVIDMT, стать ключом к укреплению моделей ИИ против нестабильности и салиентности? Поиск надежной и точной диагностики COVID-19 через смартфоны выходит на первый план, побуждая исследователей и практиков исследовать инновационные пути и совершенствовать синергию между искусственным интеллектом и медицинской визуализацией.
Самые умные крипто-энтузиасты уже читают нашу рассылку. Хотите присоединиться? Присоединяйтесь.
Отказ от ответственности. Предоставленная информация не является торговой рекомендацией. Cryptopolitan.com Мы не несем ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимое исследование и/или проконсультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.
Амир Шейх
Амир — технологический журналист с почти шестилетним опытом работы в индустриях криптовалют и технологий. Он окончил университет MAJ, получив степень MBA по финансам и маркетингу. Сейчас он работает в Cryptopolitan, где освещает последние события на рынке криптовалют и прогнозы цен.
