Новый метод глубокого обучения позволяет проводить автоматизированный скрининг глазных болезней, связанных с диабетом

Исследователи из Helmholtz Zentrum München вместе с Университетской глазной больницей LMU в Мюнхене и Техническим университетом Мюнхена (TUM) создали новый метод глубокого обучения, который делает автоматизированные проверки на наличие глазных заболеваний, таких как диабетическая ретинопатия, более эффективными. Уменьшая объем дорогостоящих данных аннотированных изображений, необходимых для обучения алгоритма, этот метод является привлекательным для клиник. В случае использования диабетической ретинопатии исследователи разработали алгоритм скрининга, который требует на 75 процентов меньше аннотированных данных и обеспечивает такую ​​же диагностическую эффективность, как у людей-экспертов.

В последние годы клиники сделали первые шаги в направлении искусственного интеллекта и глубокого обучения для автоматизации медицинских осмотров. Однако обучение алгоритму глубокого обучения для точного скрининга и прогнозирования диагноза требует больших наборов аннотированных данных, и клиники часто сталкиваются с проблемой дорогостоящей экспертной маркировки. Поэтому исследователи искали способы уменьшить потребность в дорогостоящих аннотированных данных, сохраняя при этом высокую производительность алгоритма.

Пример использования диабетической ретинопатии

Диабетическая ретинопатия – это заболевание глаз, связанное с диабетом, которое повреждает сетчатку и в конечном итоге может привести к слепоте. Измерение толщины сетчатки – важная процедура для диагностики заболевания у пациентов с повышенным риском. Для этого в большинстве клиник делают фотографии глазного дна – задней поверхности глаза. Чтобы автоматизировать проверку этих изображений, клиники начали применять алгоритмы глубокого обучения. Эти алгоритмы требуют больших наборов изображений глазного дна с дорогостоящими аннотациями для обучения правильному отображению.

Университетская глазная больница LMU в Мюнхене владеет набором данных о размере популяции, содержащим более 120000 неаннотированных изображений глазного дна и совместно зарегистрированных изображений ОКТ. ОКТ (оптическая когерентная томография) позволяет получить точную информацию о толщине сетчатки, но не всегда доступна в каждом офтальмологическом центре. LMU предоставил свои данные исследователям из Helmholtz Zentrum München, пионерам в области искусственного интеллекта в области здравоохранения.

Предварительная подготовка под самоконтролем

«Наша цель состояла в том, чтобы использовать этот уникальный большой набор изображений глазного дна и ОКТ-изображений для разработки метода, который снизит потребность в дорогостоящих аннотированных данных для обучения алгоритму», – говорит Олле Холмберг, первый автор исследования из Helmholtz Zentrum München и TUM School of Естественные науки.

Группа исследователей разработала новый метод, названный «кросс-модальное предсказание толщины сетчатки с самоконтролем», и применила его для предварительной тренировки алгоритма глубокого обучения с набором данных LMU. В этом случае кросс-модальное обучение с самоконтролем позволило алгоритму научиться распознавать неаннотированные изображения глазного дна с различными профилями толщины сетчатки, полученными с помощью ОКТ, прогнозируя информацию о толщине непосредственно по глазному дну. Путем точного прогнозирования толщины сетчатки, ключевого диагностического признака диабетической ретинопатии, алгоритм смог научиться прогнозировать результаты скрининга.

услуги нутрициологаАвтор сайта и статей: Наталья Степанова, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Vk, Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector