Нейросеть прошла испытания, показавшие высокую эффективность в выявлении пациентов с COVID-19 по медицинским изображениям. Фото управления по связям с общественностью и СМИ НИУ «БелГУ».
В условиях пандемии одним из важнейших направлений борьбы с заболеванием является его своевременное диагностирование. В качестве основного метода выявления пациентов с COVID-19 медики используют рентгенографию грудной клетки.
Чтобы оптимизировать и ускорить процесс обработки и анализа получаемых рентгенографических снимков, ученые НИУ «БелГУ» разработали и «обучили» специальную сверхточную нейронную сеть.
По словам доцента кафедры математического и программного обеспечения информационных систем НИУ «БелГУ», кандидата технических наук Владимира Михелева, «сверхточные нейронные сети предоставляют эффективное решение для обнаружения случаев COVID-19 на медицинских изображениях. Данный подход может способствовать в борьбе с распространением COVID-19».
В качестве исходной базы данных для искусственного интеллекта был использован набор рентгеновских снимков Индианского университета в Блумингтоне (США).
Для обучения нейросети разработчики использовали так называемый трансферный подход, состоящий из трех этапов и предполагающий обучение модели на одном наборе данных и ее последующее приспособление к другому набору данных.
При этом первый этап обучения принципиально важен с точки зрения извлечения глубоких локальных признаков заболевания из каждого медицинского изображения.
После обучения нейросеть прошла испытания, показавшие высокую эффективность в выявлении пациентов с COVID-19 по медицинским изображениям.
«Результаты тестирования метода классификации медицинских изображений с COVID-19 при использовании предобученной нейросетевой модели говорят о его беспрецедентной точности, составляющей 94,17 процента», - поясняет Владимир Михайлович.
Аспирант кафедры математического и программного обеспечения НИУ «БелГУ» Андрей Мирошниченко, работающий над созданием нейросети, сообщил, что «научный коллектив продолжает работу в этом направлении в целях повышения качества обучения модели, усовершенствования подхода обучения и возможной доработки метода для детектирования классифицирования положительных результатов COVID-19 на изображениях».