عدم اطمینان در تصویربرداری پزشکی ممکن است برای پزشکانی که سعی در شناسایی این بیماری دارند ، مشکلات بزرگی ایجاد کند. به عنوان مثال ، در یک پستان x -ray ، پراکندگی پلور با تجمع مایعات غیر طبیعی در ریه ها می تواند بسیار شبیه به نفوذهای ریوی با PU یا تجمع خون باشد.
یک مدل هوش مصنوعی می تواند با کمک به شناسایی جزئیات دقیق و افزایش اثربخشی روند تشخیص ، به پزشک متخصص در تجزیه و تحلیل X -ray کمک کند. با این حال ، از آنجا که ممکن است بسیاری از شرایط ممکن در یک تصویر وجود داشته باشد ، پزشک می خواهد به جای فقط یک تخمین هوش مصنوعی ، به یک سری امکانات فکر کند.
یک روش امیدوارکننده برای تولید یک سری از امکانات به نام طبقه بندی کنفورماال مناسب است ، زیرا می توان از یک مدل یادگیری ماشین موجود به راحتی استفاده کرد. با این حال ، عملاً می تواند مجموعه های بزرگی را تولید کند.
محققان MIT اکنون یک پیشرفت ساده و مؤثر ایجاد کرده اند که می تواند اندازه پیش بینی را تا ۳۰ درصد کاهش دهد و در عین حال پیش بینی ها را قابل اطمینان تر کند.
داشتن یک مجموعه پیش بینی کوچکتر می تواند به یک پزشک متخصص در تشخیص صحیح صفر کمک کند ، که می تواند درمان را برای بیماران بهبود بخشد و تسهیل کند. این روش ممکن است در یک سری از کارهای طبقه بندی برای توصیف انواع حیوان در یک تصویر از یک پارک زندگی وحشی مفید باشد – زیرا این مجموعه از گزینه های کوچکتر اما دقیق تر را فراهم می کند.
Divya Shanmugam PhD ’24 ، “خوشه های پیش بینی ها به طور طبیعی آموزنده تر هستند زیرا شما بین گزینه های کمتری انتخاب می کنید. به یک معنا ، شما چیزی را از نظر صحت برای اطلاعات آموزنده تر قربانی نمی کنید ، می گوید: Divia Shahanmigam PhD ’24 ، Cornell Tech ، که این تحقیق را به عنوان یک پس از آن در تکنیک ذرت انجام می دهد.
به شانمگام پیوست کاغذ هلن لو ’۲۴ ؛ Swami Sankaranananan ، MITOC سابق ، دانشمند تحقیقاتی در علوم زیست لیلیا. و نویسنده ارشد جان گوتاگ ، Dugald C. Jackson MIT ، استاد علوم کامپیوتر و مهندسی برق و عضو آزمایشگاه علوم کامپیوتر MIT و آزمایشگاه هوش مصنوعی (CSAIL). این تحقیق در یک کنفرانس تشخیص کامپیوتر و تشخیص قالب در ماه ژوئن ارائه می شود.
ضمانت تخمین
دستیاران هوش مصنوعی مستقر شده برای انجام کارهای بالا مانند طبقه بندی بیماری ها در تصاویر پزشکی برای تولید نمره احتمال با هر تخمین برای کاربر برای اندازه گیری اعتماد مدل طراحی شده اند. به عنوان مثال ، یک مدل ممکن است تصور کند که احتمال تشخیص خاص ، مانند کوشش ، ۲۰ درصد است.
با این حال ، اعتماد به نفس پیش بینی شده یک مدل دشوار است ، زیرا تحقیقات قبلی نشان داده است که این امکانات ممکن است اشتباه باشد. با طبقه بندی کنفورماسی ، تخمین زده شده از مدل با این ضمانت که تشخیص صحیح در مجموعه است ، به احتمال زیاد تشخیص می دهد.
با این حال ، عدم اطمینان طبیعی در تخمین های هوش مصنوعی باعث می شود مجموعه های خروجی مدل که به طور کلی بسیار مفید هستند ، مفید باشد.
به عنوان مثال ، اگر یک مدل یک حیوان را در تصویر به عنوان یکی از ۱۰،۰۰۰ نوع بالقوه طبقه بندی کند ، می تواند ۲۰۰ خوشه تخمین تولید کند تا ضمانت قوی ارائه دهد.
شانمگام گفت: “این چند کلاس است زیرا کسی از بین رفته است تا بفهمد کلاس مناسب چیست.
این تکنیک همچنین می تواند غیرقابل اعتماد باشد ، زیرا تغییرات کوچک در ورودی هایی مانند چرخش به آرامی یک تصویر می تواند مجموعه های کاملاً متفاوتی از پیش بینی ها را ارائه دهد.
به منظور مفیدتر کردن طبقه بندی همبستگی ، محققان تکنیکی را برای افزایش دقت مدل های دید رایانه ای به نام بزرگنمایی زمان آزمایش (TTA) استفاده کردند.
TTA بیش از یک بزرگنمایی یک تصویر واحد را در یک مجموعه داده ایجاد می کند ، شاید با کشت ، چرخش ، نزدیکتر و غیره. سپس یک مدل دید رایانه ای را برای هر نسخه از همان تصویر اعمال می کند و پیش بینی های آن را جمع می کند.
شان شاهانمیگام توضیح می دهد: “از این طریق ، شما بیش از یک پیش بینی از یک مثال واحد دریافت می کنید. از این طریق ، او پیش بینی هایی را از نظر جمع آوری ، دقت و استحکام ایجاد می کند.
حداکثر رساندن
برای پیاده سازی TTA ، محققان شامل برخی از داده های تصویر برچسب زده شده برای فرآیند طبقه بندی کنفورماصلی هستند. آنها یاد می گیرند که بزرگنمایی را در این داده ها جمع آوری کنند و تصاویر را به طور خودکار افزایش دهند تا دقت پیش بینی های مدل اساسی را به حداکثر برسانند.
سپس آنها در پیش بینی های جدید ، TTA -Alternating از مدل ، طبقه بندی کنفرانس را اجرا می کنند. طبقه بندی کنفورماسی مجموعه ای از پیش بینی های کوچکتر را برای همان ضمانت اعتماد تولید می کند.
S می گوید: “ترکیب زمان آزمایش با تخمین کنفورماله ساده است ، در عمل مؤثر است و نیازی به آموزش مدل ندارد.
در چند معیار طبقه بندی تصویر استاندارد ، در مقایسه با مطالعات قبلی در برآورد کنفورماسی ، روشهای خراش TTA ابعاد پیش بینی را از ۱۰ درصد به ۳۰ درصد کاهش می دهد.
در خارج ، این کاهش در اندازه مجموعه پیش بینی ضمن حفظ ضمانت امکان فنی را حفظ می کند.
اگرچه محققان برخی از داده های دارای برچسب را فدا کرده اند که برای روش طبقه بندی کنفورمالها مورد استفاده قرار می گیرند ، اما TTA دریافت که TTA دقت خود را به اضافه وزن در هزینه از دست دادن این داده ها افزایش داده است.
شانمگام گفت: “این مدل سؤالات جالبی را در مورد نحوه استفاده از داده های برچسب زده شده پس از آموزش نشان می دهد. می گوید.
در آینده ، محققان می خواهند اثربخشی چنین رویکردی را در زمینه مدل هایی که به جای تصویربرداری متن را طبقه بندی می کنند ، تأیید کنند. به منظور بهبود بیشتر مطالعه ، محققان همچنین روشهای کاهش میزان محاسبه مورد نیاز TTA را در نظر می گیرند.
این تحقیق تا حدی توسط شرکت Wistron تأمین می شود.