Automatizovaný systém zlepšuje přesnost hlubokého učení při rentgenové analýze hrudníku

Vědci z Metropolitní univerzity v Osace objevili praktický způsob, jak odhalit a opravit běžné chyby v označování ve velkých radiografických sbírkách. Díky automatickému ověřování značek částí těla, projekce a rotace jejich výzkum zlepšuje modely hlubokého učení používané pro rutinní klinické úkoly a výzkumné projekty.

Modely hlubokého učení využívající rentgen hrudníku zaznamenaly v posledních letech pozoruhodný pokrok a vyvinuly se tak, aby splnily úkoly, které jsou pro člověka náročné, jako je odhad srdeční a respirační funkce.

Umělá inteligence je však jen tak dobrá, jak dobré jsou obrázky, které jsou do nich vloženy. Přestože rentgenové snímky pořízené v nemocnicích jsou před vložením do modelu hlubokého učení označeny informacemi, jako je místo a metoda snímkování, většinou se to provádí ručně, což znamená, že zejména v rušných nemocnicích dochází k chybám, chybějícím datům a nesrovnalostem.

To je dále komplikováno obrázky s různými rotacemi. Rentgenový snímek může být pořízen od přední k zadní části nebo naopak a může být také laterální, převrácený nebo otočený, což dále komplikuje soubor dat.

Ve velkých obrazových archivech tyto drobné chyby rychle přidají stovky nebo tisíce chybně označených výsledků.

Výzkumný tým na Lékařské fakultě univerzity v Ósace Metropolitan University, včetně postgraduálního studenta Yasuhita Mitsuyamy a profesora Daiju Uedy, si kladl za cíl zlepšit detekci chybně označených dat automatickou identifikací chyb dříve, než ovlivní vstupní data pro modely hlubokého učení.

Skupina vyvinula dva modely: Xp-Bodypart-Checker, který klasifikuje rentgenové snímky v závislosti na části těla; a CXp-Projection-Rotation-Checker, který detekuje projekci a rotaci rentgenových snímků hrudníku.

Xp‑Bodypart‑Checker dosáhl přesnosti 98,5 % a CXp‑Projection‑Rotation‑Checker dosáhl přesnosti 98,5 % pro projekci a 99,3 % pro rotaci. Výzkumníci jsou optimističtí, že integrace obou do jediného modelu by přinesla výkon, který změní hru v klinickém prostředí.

Přestože výsledky byly vynikající, tým doufá, že metodu dále vyladí pro klinické použití.

Plánujeme přeškolit model na rentgenových snímcích, které byly označeny, přestože byly správně označeny, i na těch, které nebyly označeny, ale ve skutečnosti byly označeny nesprávně, abychom dosáhli ještě větší přesnosti.“

Yusugto Mitsuama, Univerzita v Osacasanu

Studie byla zveřejněna v evropský Radiologie.