Ученые из Королевского колледжа Лондона смогли автоматизировать маркировку изображений МРТ мозга, что очень важно для создания алгоритмов ИИ на основе глубокого машинного обучения, так как можно будет получать важные отметки из радиологических отчетов и точного назначения их соответствующим исследованиям МРТ.Благодаря такой автоматизации можно маркировать более 100 000 обследований МРТ менее чем за 30 минут.
Исследование было опубликовано в European Radiology и результаты свидетельствуют о том, что можно масштабно маркировать сложные наборы МРТ-изображений. Если же маркировку 100 000 МРТ-исследований проводить вручную, то для этого будут необходимы годы.
Для глубокого машинного обучения, как правило, необходимы тысячи помеченных изображений для того, чтобы добиться качественного достижения максимального распознавания результатов визуализации. Это нередко является определенной сложностью, особенно, когда речь идет разработке систем глубокого обучения для сложного объема изображений МРТ, что актуально для диагностики неврологических патологий.
Ведущий автор исследования доктор Том Бут, из Королевского колледжа Лондона, сказал: «Преодолев эти сложности будет значительно легче проводить глубокое машинное обучение для распознавания морфологических изменений на МРТ сканах и это имеет огромный потенциал для своевременной диагностики заболеваний головного мозга».
Бут уверен, что созданная ими система очень надежна, так как проводилась оценка не столько производительности модели на невидимых радиологических отчетах, но и возможности модели на невидимых изображениях.
Как считает доктор Дэвид Вуд, проведенное исследование стало возможно благодаря нейронным сетям для обработки немаркированного текста, таким как BERT и BioBERT. Эти нейронные сети обучались на огромном объеме данных Википедии, а также всех рефератов и полнотекстовых статей PubMed Central.
Несмотря на то, что удалось создать автоматическую маркировку, существует еще проблемы технического плана, которые заключаются в выполнении задач распознавания образов глубокого обучения и необходимости в гарантии того, что модели будут работать на различных сканерах.
