Jauns veids, kā izmantot mākslīgo intelektu aiz dziļiem viltojumiem, varētu uzlabot vēža diagnostiku

Kategorija: Mākslīgais intelekts Ievietots 05. jūlijs

Ģeneratīvie pretrunīgie tīkli, algoritmi, kas ir atbildīgi par dziļiem viltojumiem, pēdējā laikā ir attīstījuši mazliet sliktu repu. Taču viņu spējai sintezēt ļoti reālistiskus attēlus varētu būt arī nozīmīgas priekšrocības medicīniskajā diagnostikā.

Padziļinātas mācīšanās algoritmi lieliski spēj saskaņot attēlus; tos var apmācīt atklāt dažādus vēža veidus CT skenēšanā, diferencēt slimības MRI un noteikt novirzes rentgenā. Taču privātuma apsvērumu dēļ pētniekiem bieži vien nav pietiekami daudz datu par apmācību. Šeit parādās GAN: tie var sintezēt vairāk medicīnisko attēlu, kas nav atšķirami no reālajiem attēliem, efektīvi reizinot datu kopu līdz vajadzīgajam daudzumam.

Tomēr ir vēl viens izaicinājums. Padziļinātas apmācības algoritmiem ir jāapmāca augstas izšķirtspējas attēli, lai iegūtu vislabākās prognozes, tomēr šādu augstas izšķirtspējas attēlu sintezēšana, īpaši 3D, prasa daudz skaitļošanas jaudas. Tas nozīmē, ka tai ir nepieciešama īpaša un dārga aparatūra, tāpēc tās liela mēroga izmantošana slimnīcās nav praktiska.

Tātad pētnieki no Lībekas universitātes Medicīnas informātikas institūta ierosināja jaunu pieeju lai process būtu daudz mazāk intensīvs. Viņi to sadalīja posmos: GAN vispirms ģenerē visu attēlu zemā izšķirtspējā, pēc tam ģenerē detaļas pareizajā izšķirtspējā pa vienai nelielai sadaļai. Izmantojot eksperimentus, pētnieki parādīja ne tikai to, ka viņu metode radīja reālistiskus augstas izšķirtspējas 2D un 3D attēlus ar zemiem skaitļošanas resursiem, bet arī izdevumi palika nemainīgi neatkarīgi no attēla lieluma.

Lai vairāk šādu stāstu tiktu piegādāts tieši jūsu iesūtnē, reģistrējieties mūsu Webby nominētajam AI informatīvajam izdevumam The Algorithm. Tas ir par brīvu.