Verwenden von Fotos von Toastern und Kühlschränken, um Algorithmen zur Erkennung von COVID-19 zu trainieren

Röntgenaufnahme mit Lungenentzündung. Credit: CDC auf Unsplash

Neue Forschungen, die maschinelles Lernen an Bildern von Alltagsgegenständen verwenden, verbessern die Genauigkeit und Geschwindigkeit der Erkennung von Atemwegserkrankungen und reduzieren den Bedarf an medizinischem Fachwissen.

Die Forscher der Edith Cowan University (ECU) trainierten Algorithmen auf einer Datenbank mit mehr als 1 Million alltäglichen Bildern und transferierten dieses Wissen, um Merkmale von Erkrankungen zu identifizieren, die mit einer Röntgenaufnahme diagnostiziert werden können.

Die Ergebnisse dieser Technik, bekannt als Transfer-Lernen, erzielten eine Erfolgsrate von 99,24 Prozent beim Nachweis von COVID-19 in Thorax-Röntgenaufnahmen.

Die Studie greift eine der größten Herausforderungen des maschinellen Lernens der Bilderkennung auf: Algorithmen, die riesige Datenmengen, in diesem Fall Bilder, benötigen, um bestimmte Attribute genau erkennen zu können.

Der Forscher der ECU School of Science, Dr. Shams Islam, sagte, dies sei unglaublich nützlich, um neu auftretende oder ungewöhnliche Erkrankungen zu identifizieren und zu diagnostizieren.

„Unsere Technik ist in der Lage, nicht nur COVID-19 in Röntgenaufnahmen des Brustkorbs zu erkennen, sondern auch andere Brusterkrankungen wie Lungenentzündung. Wir haben sie an 10 verschiedenen Brusterkrankungen getestet und dabei sehr genaue Ergebnisse erzielt“, sagte er.

“Normalerweise ist es für KI-basierte Methoden schwierig, Brusterkrankungen genau zu erkennen, da die KI-Modelle sehr viele Trainingsdaten benötigen, um die charakteristischen Signaturen der Erkrankungen zu verstehen.”

“Die Daten müssen von medizinischen Experten sorgfältig annotiert werden, das ist nicht nur umständlich, sondern auch mit erheblichen Kosten verbunden.”

“Unsere Methode umgeht diese Anforderung und lernt genaue Modelle mit einer sehr begrenzten Menge an annotierten Daten.”

„Obwohl diese Technik die COVID-19-Schnelltests, die wir jetzt verwenden, wahrscheinlich nicht ersetzen wird, gibt es wichtige Auswirkungen auf die Verwendung der Bilderkennung bei anderen medizinischen Diagnosen“, sagte er.

Abkürzung beim Training nehmen

Hauptautor und ECU Ph.D. Kandidatin Fouzia Atlaf sagte, der Schlüssel zur deutlichen Verkürzung der Zeit, die für die Anpassung des Ansatzes an andere medizinische Probleme erforderlich ist, sei das Vortrainieren des Algorithmus mit der großen ImageNet-Datenbank.

„ImageNet ist eine Datenbank mit mehr als 1 Million Bildern, die von Menschen klassifiziert wurde – genau wie Röntgenaufnahmen des Brustkorbs von Medizinern es sein müssten“, sagte sie.

“Der Unterschied besteht darin, dass es sich bei den Bildern in der Datenbank um normale Haushaltsgegenstände handelt, die von Personen ohne medizinisches Fachwissen klassifiziert werden können.”

Dr. Islam und Frau Altaf hoffen, dass die Technik in zukünftigen Forschungen weiter verfeinert werden kann, um die Genauigkeit zu erhöhen und die Trainingszeit weiter zu verkürzen.

Das Forschungspapier, Ein neuartiges erweitertes Deep-Transfer-Learning für die Klassifizierung von COVID-19 und anderen Thoraxerkrankungen aus Röntgenstrahlen, wurde in . veröffentlicht Neuronale Computer und Anwendungen.


Leave a Comment