Sieć Neuronowa Została Nauczona Fotografowania 216 Rzadkich Chorób Dziedzicznych - Alternatywny Widok

Sieć Neuronowa Została Nauczona Fotografowania 216 Rzadkich Chorób Dziedzicznych - Alternatywny Widok
Sieć Neuronowa Została Nauczona Fotografowania 216 Rzadkich Chorób Dziedzicznych - Alternatywny Widok

Wideo: Sieć Neuronowa Została Nauczona Fotografowania 216 Rzadkich Chorób Dziedzicznych - Alternatywny Widok

Wideo: Sieć Neuronowa Została Nauczona Fotografowania 216 Rzadkich Chorób Dziedzicznych - Alternatywny Widok
Wideo: #4 O co chodzi z tą czarną skrzynką? - sztuczne sieci neuronowe i tajemnice ludzkiego umysłu 2024, Marzec
Anonim

Naukowcy opracowali system sztucznej inteligencji, który może z dużą dokładnością zdiagnozować 216 rzadkich chorób dziedzicznych na podstawie fotografii. Jak donosi Nature Medicine, została przeszkolona w rozpoznawaniu zaburzenia genetycznego (wybierz z 10 najbardziej prawdopodobnych opcji) z 91-procentową dokładnością. Naukowcy ułatwili też korzystanie z systemu w praktyce: stworzyli mobilną aplikację dla lekarzy, która pozwala na identyfikację zaburzenia genetycznego na podstawie zdjęcia pacjenta.

Rozpoznanie choroby dziedzicznej jest często trudne. Istnieje kilka tysięcy chorób związanych z zaburzeniami genetycznymi, z których większość występuje niezwykle rzadko. Wielu lekarzy w trakcie swojej praktyki może po prostu nie mieć do czynienia z takimi chorobami, więc diagnostyczny ułatwiłby system komputerowy odniesienia, który pomógłby w rozpoznaniu rzadkich chorób dziedzicznych. Badacze stworzyli już podobne systemy oparte na rozpoznawaniu twarzy, ale do tej pory udało im się zidentyfikować nie więcej niż 15 zaburzeń genetycznych, a dokładność rozpoznania kilku chorób nie przekroczyła 76 proc. Ponadto takie systemy czasami nie potrafiły odróżnić chorego od zdrowego. Jednocześnie próbka treningowa często nie przekraczała 200 zdjęć, co jest zbyt małe do głębokiego uczenia się.

Dlatego amerykańscy, niemieccy i izraelscy naukowcy i pracownicy firmy FDNA, pod kierownictwem Yarona Gurovicha z Uniwersytetu w Tel Awiwie, opracowali system rozpoznawania twarzy DeepGestalt, który umożliwił zdiagnozowanie kilkuset schorzeń. Korzystając z konwolucyjnych sieci neuronowych, system dzieli twarz na oddzielne 100 × 100 pikseli i przewiduje prawdopodobieństwo wystąpienia każdej choroby dla określonego fragmentu. Następnie podsumowuje się wszystkie informacje i system określa prawdopodobne zaburzenie dla osoby jako całości.

DeepGestalt dzieli twarz na zdjęciach na oddzielne fragmenty i ocenia, w jaki sposób odpowiadają one każdej z chorób w modelu. System tworzy rankingową listę możliwych chorób w oparciu o wszystkie fragmenty. Y. Gurovich i in. / Nature Medicine, 2019
DeepGestalt dzieli twarz na zdjęciach na oddzielne fragmenty i ocenia, w jaki sposób odpowiadają one każdej z chorób w modelu. System tworzy rankingową listę możliwych chorób w oparciu o wszystkie fragmenty. Y. Gurovich i in. / Nature Medicine, 2019

DeepGestalt dzieli twarz na zdjęciach na oddzielne fragmenty i ocenia, w jaki sposób odpowiadają one każdej z chorób w modelu. System tworzy rankingową listę możliwych chorób w oparciu o wszystkie fragmenty. Y. Gurovich i in. / Nature Medicine, 2019.

Naukowcy przeszkolili system, aby odróżniał określoną chorobę dziedziczną od wielu innych. Do treningu wykorzystali 614 zdjęć osób cierpiących na zespół Cornelia de Lange, rzadką chorobę dziedziczną, która objawia się m.in. upośledzeniem umysłowym i wrodzonymi wadami narządów wewnętrznych. Autorzy użyli ponad tysiąca innych zdjęć jako kontroli negatywnej. DeepGestalt odróżnił zespół Cornelii de Lange od innych chorób z 97-procentową dokładnością (p = 0,01). Autorzy innych badań osiągnęli 87-procentową dokładność, podczas gdy eksperci postawili prawidłową diagnozę średnio w 75 procentach przypadków. W innym eksperymencie naukowcy wykorzystali 766 zdjęć pacjentów z zespołem Angelmana („zespół Pietruszki”), który między innymi charakteryzuje się chaotycznymi ruchami,częsty śmiech lub uśmiechy. System rozpoznał chorobę z dokładnością do 92 procent (p = 0,05); w poprzednim badaniu dokładność wynosiła 71 procent.

Naukowcy nauczyli również system rozpoznawania różnych typów tej samej choroby dziedzicznej na przykładzie zespołu Noonan. Istnieje kilka typów tego zaburzenia, z których każdy jest spowodowany mutacjami w określonym genie, a każdy z nich ma subtelne różnice w rysach twarzy (np. Rzadkie brwi). Wykorzystując próbkę 81 zdjęć, autorzy artykułu nauczyli system DeepGestalt rozróżniania pięciu typów tej choroby z dokładnością do 64 procent (p <1 × 10-5).

W sumie naukowcy wykorzystali łącznie 17106 zdjęć przedstawiających 216 chorób dziedzicznych do wyszkolenia systemu. Naukowcy przetestowali skuteczność DeepGestalt na 502 zdjęciach pacjentów, u których zdiagnozowano już diagnozę, oraz na innej próbce 329 zdjęć pacjentów ze znaną diagnozą z London Medical Database. System określił chorobę pacjenta z 10 najbardziej prawdopodobnych wariantów z dokładnością 91% (p <1 × 10-6).

Naukowcy ułatwili też wdrożenie DeepGestalt - stworzyli platformę do diagnozowania chorób dziedzicznych według fenotypu, a także aplikację mobilną dla lekarzy Face2Gene, za pomocą której lekarz może zdiagnozować swojego pacjenta.

Film promocyjny:

W zeszłym roku naukowcy stworzyli system automatycznego rozpoznawania roślin na podstawie ich obrazów w zielnikach. Konwolucyjna sieć neuronowa nauczyła się identyfikować rośliny z 90-procentową dokładnością.

Ekaterina Rusakova