Uma imprecisão na imagem médica pode apresentar grandes desafios para os médicos que estão tentando identificar a doença. Por exemplo, nos raios X do tórax, um acúmulo anormal dos pulmões nos pulmões, fusão plural, pode parecer muita intrusão pulmonar que é pus ou sangue.
Um modelo de inteligência artificial pode ajudar o médico na análise de raios-X detectando detalhes sutis e aprimorar o processo de diagnóstico. No entanto, como tantas condições possíveis podem estar presentes em uma imagem, o Clenecian provavelmente deseja considerar um conjunto de possibilidades sem apenas prever uma IA.
Uma maneira promissora de criar um conjunto de possibilidades, que é chamado de classificação conformável, é conveniente porque pode ser facilmente aplicada à parte superior do modelo de aprendizado de máquina existente. No entanto, pode produzir grandes conjuntos continuamente.
Os pesquisadores do MIT agora desenvolveram uma melhoria simples e eficaz que pode reduzir o tamanho dos conjuntos de previsões em até 30 % e tornar as previsões mais confiáveis.
Um pequeno conjunto de previsões pode ajudar um médico com mais eficiência diagnosticado com zero, o que pode melhorar o tratamento dos pacientes. Esse método pode ser eficaz em diferentes funções de classificação – digamos, para detectar uma espécie animal de um parque de vida selvagem – porque fornece um conjunto pequeno, mas mais preciso, de opções.
“Considerando as poucas classes, os conjuntos de previsões são naturalmente mais informativos de que você está escolhendo menos opções. Em certo sentido, você não está realmente deixando de precisar da precisão de algo mais informativo”, diz Divia Shanmugam PhD ’24 ’24, um pós -doutorado pela Coronel Tech, que foi um aluno gradual que conduziu este estudo.
Shanmugam Helen Lu ingressou no jornal por Lu ’24; Swami Shankaranarayanan, ex -MIT Postdok, que agora é cientista de pesquisa da Lilia Biosciences; E o autor sênior John Guttag, Dugald C do Departamento de Ciência da Computação e Engenharia Elétrica do MIT. A pesquisa será apresentada em uma conferência sobre visão computacional e reconhecimento de padrões em junho.
Garantia de previsão
Os assistentes de IA implantados para uma tarefa de alta beira, como uma doença classificada nas imagens de tratamento, geralmente são projetados para criar uma pontuação de viabilidade a cada previsão, para que um usuário possa assumir a confiança do modelo. Por exemplo, um modelo pode prever que há 20 % de potencial de que uma imagem esteja relacionada a um diagnóstico específico, como Plurisi.
No entanto, é difícil acreditar na confiança da previsão de um modelo, porque muitos estudos anteriores mostraram que essas possibilidades podem estar erradas. Com a classificação conformável, a profecia do modelo é substituída por um conjunto do diagnóstico mais possível e o diagnóstico preciso com garantia está em algum lugar do conjunto.
No entanto, a incerteza subjacente da previsão da IA geralmente transforma o modelo em conjuntos de saída muito eficazes.
Por exemplo, se um modelo categou uma imagem como uma das 10.000 espécies em potencial, poderá gerar um conjunto de 200 previsões para que possa dar uma forte garantia.
Shanmugam diz: “São várias classes para determinar qual é a classe certa para qualquer pessoa”.
A estratégia também pode ser incrível, porque pequenas mudanças nas entradas podem atingir todo o conjunto de previsões, como uma pequena rotação de uma imagem.
Para tornar a classificação conformável mais eficaz, os pesquisadores aplicaram uma técnica criada para melhorar a precisão dos modelos de visão computacional chamada Aumentação no tempo de teste (TTA).
O TTA cria um crescimento múltiplo de uma única imagem em um conjunto de dados, talvez cultivando a imagem, está de cabeça para baixo, amplia, etc. Aplica um modelo de visão computacional em cada versão da mesma imagem e combina suas previsões.
Shanmugam explicou: “Assim, você obtém várias previsões de um único exemplo.
Precisão suprema
Para aplicar o TTA, os pesquisadores mantêm alguns dados de figura de rotulagem usados para o processo de classificação conforme. Eles aprenderam a combinar o crescimento nesses dados de espera, as imagens aprimoram automaticamente de tal maneira que maximize as previsões do modelo inerente.
Em seguida, eles executam a classificação conforme nas novas previsões transformadas em TTA do modelo. A classificação em conformidade com a mesma garantia de confiança gera um pequeno conjunto de possíveis previsões para garantir a mesma confiança.
“Shanmugam diz:” É fácil implementar a combinação de aumento durante o exame com previsões conformáveis, eficaz na prática e nenhum re -treinamento de modelo “, diz Shanmugam.
Várias imagens padrão são comparadas ao trabalho anterior nas predições conformais em toda a referência, seus métodos notáveis para TTA reduzem as formas de conjunto previsto em 10 a 30 % do exame.
É importante ressaltar que, mantendo uma possível garantia, a técnica alcançou essa redução na forma de conjunto de previsão.
Os pesquisadores também aprenderam que, embora estejam deixando alguns dados rotulados que serão comumente usados para o método de classificação conforme, o TTA aprimora a precisão da perda desses dados.
“Isso levanta questões interessantes sobre como usamos dados rotulados após o treinamento do modelo. O treinamento é um aspecto importante dos dados rotulados alocados na próxima etapa”, disse Shanumugam.
No futuro, os pesquisadores querem legalizar a eficácia dessa abordagem nacional no contexto de modelos que classificam o texto em vez de imagens. Para melhorar ainda mais o trabalho, os pesquisadores também estão considerando maneiras de reduzir a quantidade de cálculos necessários para o TTA.
Este estudo é financiado pela Wistrome Corporation em algumas partes.
