Neurónová Sieť Bola Naučená Rozpoznať 216 Zriedkavých Dedičných Chorôb Pomocou Fotografie - Alternatívny Pohľad

Neurónová Sieť Bola Naučená Rozpoznať 216 Zriedkavých Dedičných Chorôb Pomocou Fotografie - Alternatívny Pohľad
Neurónová Sieť Bola Naučená Rozpoznať 216 Zriedkavých Dedičných Chorôb Pomocou Fotografie - Alternatívny Pohľad

Video: Neurónová Sieť Bola Naučená Rozpoznať 216 Zriedkavých Dedičných Chorôb Pomocou Fotografie - Alternatívny Pohľad

Video: Neurónová Sieť Bola Naučená Rozpoznať 216 Zriedkavých Dedičných Chorôb Pomocou Fotografie - Alternatívny Pohľad
Video: Základy IoT - Strojové učenie - 4. Neurónové siete, Deep learning 2024, Marec
Anonim

Vedci vyvinuli systém umelej inteligencie, ktorý dokáže diagnostikovať 216 zriedkavých dedičných chorôb z fotografie s vysokou presnosťou. Ako je uvedené v Nature Medicine, bola vyškolená na rozpoznávanie genetickej poruchy (vyberte si z 10 najpravdepodobnejších možností) s presnosťou 91 percent. Vedci tiež uľahčili používanie systému v praxi: vytvorili pre lekárov mobilnú aplikáciu, ktorá vám umožní identifikovať genetickú poruchu z fotografie pacienta.

Diagnostika dedičnej poruchy je často zložitá. S genetickými poruchami je spojených niekoľko tisíc chorôb, z ktorých väčšina je mimoriadne zriedkavá. Mnoho lekárov počas svojej praxe jednoducho nemusí čeliť takýmto chorobám, takže referenčný počítačový systém, ktorý by pomohol rozpoznať zriedkavé dedičné choroby, by uľahčil diagnostiku. Vedci už vytvorili podobné systémy založené na rozpoznávaní tváre, doteraz však dokázali identifikovať najviac 15 genetických porúch, pričom presnosť rozpoznania niekoľkých chorôb nepresiahla 76 percent. Okrem toho tieto systémy niekedy nedokázali odlíšiť chorého od zdravého. Zároveň tréningová vzorka často neprekročila 200 fotografií, ktoré sú príliš hlboké na hlboké vzdelávanie.

Americkí, nemeckí a izraelskí vedci a zamestnanci spoločnosti FDNA preto pod vedením Yarona Guroviča z Tel Avivskej univerzity vyvinuli systém rozpoznávania tváre DeepGestalt, ktorý umožnil diagnostikovať niekoľko stoviek chorôb. Použitím konvolučných neurónových sietí systém rozdelí tvár do samostatných 100 × 100 pixelov a predpovedá pravdepodobnosť každej choroby pre konkrétny fragment. Potom sú zhrnuté všetky informácie a systém určí pravdepodobnú poruchu pre osobu ako celok.

DeepGestalt rozdeľuje tvár na fotografiách na samostatné fragmenty a hodnotí, ako zodpovedajú každej z chorôb v modeli. Systém zostaví klasifikovaný zoznam možných chorôb na základe celkového počtu fragmentov. Y. Gurovich a kol. / Nature Medicine, 2019
DeepGestalt rozdeľuje tvár na fotografiách na samostatné fragmenty a hodnotí, ako zodpovedajú každej z chorôb v modeli. Systém zostaví klasifikovaný zoznam možných chorôb na základe celkového počtu fragmentov. Y. Gurovich a kol. / Nature Medicine, 2019

DeepGestalt rozdeľuje tvár na fotografiách na samostatné fragmenty a hodnotí, ako zodpovedajú každej z chorôb v modeli. Systém zostaví klasifikovaný zoznam možných chorôb na základe celkového počtu fragmentov. Y. Gurovich a kol. / Nature Medicine, 2019.

Vedci vyškolili systém na rozlíšenie špecifickej dedenej choroby od mnohých ďalších. Na výcvik použili 614 fotografií ľudí trpiacich syndrómom Cornelia de Lange, zriedkavé dedičné ochorenie, ktoré sa prejavuje okrem iného vo forme mentálnej retardácie a vrodených malformácií vnútorných orgánov. Autori použili viac ako tisíc ďalších obrázkov ako negatívnu kontrolu. DeepGestalt diferencoval Cornelia de Langeov syndróm od iných chorôb s presnosťou 97 percent (p = 0,01). Autori ďalších štúdií dosiahli presnosť 87 percent, zatiaľ čo odborníci urobili správnu diagnózu v priemere 75 percent prípadov. V ďalšom experimente vedci použili 766 fotografií pacientov s Angelmanovým syndrómom („Petrushka syndróm“), ktoré sa okrem iného vyznačujú chaotickými pohybmi,častý smiech alebo úsmevy. Systém rozpoznal chorobu s presnosťou 92 percent (p = 0,05); v predchádzajúcej štúdii bola presnosť 71 percent.

Vedci tiež naučili systém rozoznávať rôzne typy tej istej dedičnej choroby pomocou príkladu Noonanovho syndrómu. Existuje niekoľko typov týchto porúch, z ktorých každá je spôsobená mutáciami v konkrétnom géne a každá z nich má jemné rozdiely vo výrazoch tváre (napríklad riedke obočie). Na vzorke 81 fotografií autori článku naučili systém DeepGestalt rozlišovať medzi piatimi typmi tohto ochorenia s presnosťou 64 percent (p <1 × 10-5).

Celkovo na výcvik systému vedci použili celkom 17 106 fotografií, ktoré predstavujú 216 dedičných chorôb. Vedci testovali účinnosť DeepGestaltu na 502 fotografiách pacientov, ktorí už boli diagnostikovaní, a na ďalšej vzorke 329 fotografií pacientov so známou diagnózou z London Medical Database. Systém určil chorobu pacienta z 10 najpravdepodobnejších variantov s presnosťou 91 percent (p <1 × 10-6).

Vedci tiež uľahčili zavedenie DeepGestalt do praxe - vytvorili platformu na diagnostiku dedičných chorôb fenotypom, ako aj mobilnú aplikáciu pre lekárov Face2Gene, pomocou ktorej môže lekár diagnostikovať svojho pacienta.

Propagačné video:

Minulý rok vedci vytvorili systém na automatické rozpoznávanie rastlín z ich obrazov v herbári. Konvolučná neurónová sieť sa naučila identifikovať rastliny s presnosťou 90 percent.

Ekaterina Rusakova