การเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคถูกรบกวนด้วยป้ายรูปภาพ

การเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคถูกรบกวนด้วยป้ายรูปภาพ

ปัญญาประดิษฐ์ (AI) มีศักยภาพที่จะมีบทบาทสำคัญในด้านการแพทย์หลายด้าน โดยเฉพาะอย่างยิ่ง การใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์ภาพทางการแพทย์และปรับปรุงความแม่นยำของการวินิจฉัยโรคเป็นประเด็นที่น่าสนใจเพิ่มขึ้นอย่างรวดเร็ว แต่ AI ยังไม่สมบูรณ์แบบ การศึกษาใหม่เปิดเผยว่าฉลากภาพรังสีสามารถสร้างความสับสนให้กับเครือข่าย AI และจำกัดประโยชน์ทางคลินิก ปัญหาเกิดขึ้น

เนื่องจาก

ปรากฏการณ์ที่เรียกว่าการแบ่งชั้นที่ซ่อนอยู่ ซึ่งเครือข่ายประสาทเทียม (CNN) ที่ได้รับการฝึกฝนให้วิเคราะห์ภาพทางการแพทย์เรียนรู้ที่จะจำแนกภาพตามคุณสมบัติที่ไม่เกี่ยวข้องกับการวินิจฉัยตัวอย่างเช่น โครงข่ายประสาทที่ได้รับการฝึกฝนเพื่อวินิจฉัยรอยโรคที่ผิวหนังที่เป็นเนื้อร้ายนั้นถูกค้นพบว่าจริง ๆ 

แล้วกำลังมองหาการมีอยู่ของไม้บรรทัด ซึ่งรวมอยู่ในภาพรอยโรคที่เป็นมะเร็งด้วย ที่อื่น CNNs ได้รับการฝึกฝนให้ตรวจหา (ปอดยุบ) บนภาพถ่ายรังสีทรวงอกโดยใช้ท่อทรวงอกเป็นทางลัดในการระบุเหตุการณ์ดังกล่าว ส่งผลให้เกิดการวินิจฉัยที่ผิดพลาดหากไม่มีท่ออยู่ คุณสมบัติอื่น ๆ

ที่ทำให้เกิดความสับสน ได้แก่ ลูกศรบนภาพหรือฉลากภาพเอ็กซ์เรย์ ซึ่งใช้กันโดยทั่วไปเพื่อระบุตัวนักถ่ายภาพรังสีหรือแยกความแตกต่างทางขวาจากซ้ายบนภาพเอ็กซ์เรย์ในการศึกษาล่าสุดนี้Paul Yiผู้อำนวยการศูนย์การถ่ายภาพอัจฉริยะทางการแพทย์แห่งมหาวิทยาลัยแมรีแลนด์ ( UM2ii ) 

และผู้ทำงานร่วมกันได้ประเมินว่าฉลากภาพถ่ายรังสีส่งผลต่อการฝึกอบรมของ CNN อย่างไร โดยใช้ภาพจาก ชุดข้อมูลของภาพถ่ายรังสีกล้ามเนื้อและกระดูก ของสแตนฟอร์ด พวกเขาตั้งสมมติฐานว่าการปิดฉลากดังกล่าวสามารถช่วยชี้นำความสนใจของซีเอ็นเอ็นไปยังลักษณะทางกายวิภาคที่เกี่ยวข้องได้

นักวิจัยใช้ภาพเอ็กซ์เรย์ส่วนปลายสุด 40,561 ภาพเพื่อฝึกตัวแยกประเภท สามตัวเพื่อแยกแยะภาพปกติจากภาพที่ผิดปกติ พวกเขาประเมินข้อมูลอินพุตสามประเภท: ภาพต้นฉบับที่มีทั้งกายวิภาคศาสตร์และป้ายกำกับ; ภาพที่มีฉลากปิดทับด้วยกล่องดำ และฉลากที่แยกออกมาเพียงอย่างเดียว สำหรับ

แต่ละรายการ 

นักรังสีวิทยาระบบกล้ามเนื้อและกระดูกที่ได้รับการรับรองจากคณะกรรมการจะตรวจสอบแผนที่ความร้อนของภาพทดสอบ 500 ภาพเพื่อระบุว่าคุณลักษณะใดที่ CNN เน้น นักวิจัยพบว่าซีเอ็นเอ็นฝึกฝนภาพต้นฉบับโดยเน้นที่ฉลากภาพถ่ายรังสีใน 89% ของ 500 แผนที่ความร้อน เมื่อปิดฉลากแล้ว ใน 91% 

ของแผนที่ความร้อน ซีเอ็นเอ็นได้เปลี่ยนการเน้นกลับไปทางลักษณะทางกายวิภาค เช่น กระดูกทีมงานยังได้ประเมินพื้นที่ใต้เส้นโค้ง (AUC) ซึ่งเป็นการวัดว่าอัลกอริทึมทำงานได้ดีเพียงใดสำหรับระบบการฝึกอบรมทั้งสามแบบ สำหรับซีเอ็นเอ็นที่ได้รับการฝึกอบรมเกี่ยวกับภาพต้นฉบับ AUC คือ 0.844; 

ซึ่งเพิ่มขึ้นเป็น 0.857 สำหรับภาพที่มีป้ายปิด ที่ได้รับการฝึกอบรมเกี่ยวกับฉลากภาพถ่ายรังสีเพียงอย่างเดียวสามารถวินิจฉัยความผิดปกติด้วย AUC ที่ 0.638 ซึ่งเป็นความแม่นยำที่มากกว่าโอกาส สิ่งนี้บ่งชี้ว่ามีการแบ่งชั้นที่ซ่อนอยู่ โดยป้ายกำกับบางรายการเกี่ยวข้องกับความผิดปกติมากกว่าป้ายกำกับอื่นๆ

นักวิจัยสรุปว่า CNN ไวต่อการสร้างความสับสนให้กับคุณลักษณะของภาพ และควรได้รับการคัดกรองสำหรับข้อจำกัดนี้ก่อนที่จะนำไปใช้ทางคลินิก “เนื่องจากฉลากเหล่านี้มีอยู่ทั่วไปในภาพถ่ายรังสี นักรังสีวิทยาที่พัฒนา CNN ควรตระหนักและจัดการกับข้อผิดพลาดนี้ล่วงหน้า” พวกเขาเขียน

 “การปิดฉลากเป็นทางออกหนึ่งที่เป็นไปได้ ในการศึกษาของเรา สิ่งนี้ส่งผลให้ประสิทธิภาพของแบบจำลองดีขึ้นอย่างมีนัยสำคัญและทิศทางของความสนใจต่อกระดูก”“ตอนนี้เรากำลังทำงานอย่างแข็งขันเพื่อทำความเข้าใจการแบ่งชั้นที่ซ่อนอยู่ให้ดียิ่งขึ้น ทั้งในการระบุปัจจัยที่อาจก่อให้เกิดความสับสน

ตัวอย่างเช่น 

นโยบายข้อมูล ESRF ใหม่ที่กำหนดให้มีการบันทึกข้อมูลเมตาอย่างเป็นระบบกำลังดำเนินการอยู่ มีอยู่แล้วใน 11 ลำแสง และจะกลายเป็นมาตรฐานของลำแสงอีก 10 ลำทุกปี จนกว่าจะครอบคลุมทั้งหมด ในอนาคต นโยบายอาจขยายไปถึงการรับและจัดเก็บข้อมูลในรูปแบบ “HDF5” ที่ยืดหยุ่น 

และทำให้การจัดการ การเก็บถาวร และการเผยแพร่เป็นมาตรฐานโดยใช้โพลิเมอร์ที่เหมาะสำหรับการใช้งานด้านชีวการแพทย์พวกเขากล่าวสำหรับอัลกอริธึมการเรียนรู้เชิงลึกทางรังสีวิทยา และในการพัฒนาวิธีการเพื่อลดปัจจัยรบกวนเหล่านี้” Yi “ผลกระทบของประเด็นเหล่านี้มีผลอย่างมากต่อการทำให้ AI 

และผลกระทบต่อฟังก์ชันการทำงานที่ปรับแต่งตามขอบเขตทางวิทยาศาสตร์ที่ไม่มีใครค้นพบ” กล่าว

ผลลัพธ์ได้รับการตีพิมพ์  ในการรายงานผลการทดลองฉบับที่ 7000 “สิ่งพิมพ์ฉบับที่ 7000 ของ เป็นตัวอย่างของความเชื่อมโยงระหว่างการวิจัยพื้นฐาน วิทยาศาสตร์ประยุกต์ และเทคโนโลยี

ที่ขับเคลื่อนมนุษยชาติไปข้างหน้า” ผู้อำนวยการด้านวิทยาศาสตร์กายภาพ กล่าว เทคโนโลยีการสนับสนุนที่แม่นยำ กล่าวใช้งานได้อย่างปลอดภัยและเชื่อถือได้ และการศึกษาเบื้องต้นนี้เป็นเพียงการขีดข่วนผิวเผินเท่านั้น”ฮัทช์ออปติคัลของบีมไลน์ที่ซึ่งแสงถูกโฟกัสและกรองแสง สามารถตั้งอยู่ห่าง

จากฮัทช์ทดลองที่ดำเนินการทดลองอยู่มากพอสมควร ซึ่งทำงานเกี่ยวกับลำแสงสำหรับการศึกษาระดับนาโนติดตั้งตัวอย่างในฮัทช์ที่ห่างจากออปติกลำแสงของโพรบนาโนฮาร์ด 185 เมตรเพื่อเพิ่มระยะห่างจากออปติกโฟกัสไปยังตัวอย่างให้สูงสุด ลำแสงเคลื่อนที่ไปยังฮัทช์ตามเส้นสุญญากาศ

โดยมีการลดทอนเล็กน้อย และผู้ใช้สามารถควบคุมพารามิเตอร์ทั้งหมดได้จากห้องควบคุมถัดจากฮัทช์ทดลอง “คุณยังสามารถเปลี่ยนพารามิเตอร์จากที่บ้านได้หากต้องการ”  กล่าวเสริม เส้นลำแสงของโพรบนาโนแบบแข็งมีขนาดลำแสง 50 นาโนเมตร และเปิดให้ผู้ใช้ใช้งานในเดือนมีนาคม 2560 ช่วยให้ผู้ใช้สามารถรับข้อมูลทางเคมีและโครงสร้างด้วยความละเอียด 50 นาโนเมตร 

Credit : เว็บสล็อตแท้ / สล็อตเว็บตรงไม่ผ่านเอเย่นต์