Neuraalvõrku õpetati Fotograafia Abil ära Tundma 216 Haruldast Pärilikku Haigust - Alternatiivne Vaade

Neuraalvõrku õpetati Fotograafia Abil ära Tundma 216 Haruldast Pärilikku Haigust - Alternatiivne Vaade
Neuraalvõrku õpetati Fotograafia Abil ära Tundma 216 Haruldast Pärilikku Haigust - Alternatiivne Vaade

Video: Neuraalvõrku õpetati Fotograafia Abil ära Tundma 216 Haruldast Pärilikku Haigust - Alternatiivne Vaade

Video: Neuraalvõrku õpetati Fotograafia Abil ära Tundma 216 Haruldast Pärilikku Haigust - Alternatiivne Vaade
Video: Pildistamise põhitõed (Digipildid koolielus) 2024, Märts
Anonim

Teadlased on välja töötanud tehisintellekti süsteemi, mis suudab fotograafia abil täpsusega diagnoosida 216 haruldast pärilikku haigust. Nagu ajakirjas Nature Medicine teatati, koolitati teda 91-protsendilise täpsusega geneetilist häiret ära tundma (valima 10 kõige tõenäolisema variandi hulgast). Teadlased on ka süsteemi praktikas kasutamise lihtsamaks teinud: nad on loonud arstidele mobiilirakenduse, mis võimaldab tuvastada patsiendi fotol geneetilise häire.

Päriliku häire diagnoosimine on sageli keeruline. Geneetiliste häiretega on seotud mitu tuhat haigust, millest enamik on äärmiselt haruldased. Paljud arstid ei pruugi oma praktika ajal selliste haigustega lihtsalt kokku puutuda, nii et viitearvutisüsteem, mis aitaks ära tunda haruldasi pärilikke haigusi, hõlbustaks diagnoosimist. Teadlased on juba sarnaseid näotuvastusel põhinevaid süsteeme loonud, kuid seni on nad suutnud tuvastada mitte rohkem kui 15 geneetilist häiret, samas kui mitmete haiguste äratundmise täpsus ei ületanud 76 protsenti. Lisaks ei suutnud sellised süsteemid mõnikord haiget inimest tervislikust eristada. Samal ajal ei ületanud koolitusproov sageli 200 fotot, mis on sügavaks õppimiseks liiga väike.

Seetõttu arendasid Ameerika, Saksamaa ja Iisraeli teadlased ning FDNA-ettevõtte töötajad, keda juhtis Tel Avivi ülikoolist Yaron Gurovich, DeepGestalt näotuvastussüsteemi, mis võimaldas diagnoosida mitusada haigust. Konvolutsioonseid närvivõrgustikke kasutades jagab süsteem näo eraldi 100 × 100 piksli fragmentideks ja ennustab iga fragmendi puhul iga haiguse tõenäosust. Seejärel võetakse kogu teave kokku ja süsteem määrab tõenäolise häire inimese jaoks tervikuna.

DeepGestalt jagab fotodel oleva näo eraldi fragmentideks ja hindab, kuidas need vastavad mudelis olevatele haigustele. Fragmentide kogumi põhjal koostab süsteem võimalike haiguste järjestatud loetelu. Y. Gurovich jt. / Loodusmeditsiin, 2019
DeepGestalt jagab fotodel oleva näo eraldi fragmentideks ja hindab, kuidas need vastavad mudelis olevatele haigustele. Fragmentide kogumi põhjal koostab süsteem võimalike haiguste järjestatud loetelu. Y. Gurovich jt. / Loodusmeditsiin, 2019

DeepGestalt jagab fotodel oleva näo eraldi fragmentideks ja hindab, kuidas need vastavad mudelis olevatele haigustele. Fragmentide kogumi põhjal koostab süsteem võimalike haiguste järjestatud loetelu. Y. Gurovich jt. / Loodusmeditsiin, 2019.

Teadlased koolitasid süsteemi, et eristada konkreetset pärilikku haigust paljudest teistest. Treenimiseks kasutasid nad 614 fotot inimestest, kes põevad Cornelia de Lange sündroomi - haruldast pärilikku haigust, mis avaldub muu hulgas vaimse alaarengu ja siseorganite kaasasündinud väärarengute vormis. Autorid kasutasid negatiivse kontrollina üle tuhande muu pildi. DeepGestalt eristas Cornelia de Lange sündroomi muudest haigustest 97-protsendise täpsusega (p = 0,01). Teiste uuringute autorid saavutasid täpsuse 87 protsenti, eksperdid panid õige diagnoosi aga keskmiselt 75 protsenti juhtudest. Teises katses kasutasid teadlased 766 fotot Angelmani sündroomiga ("Petrushka sündroom") patsientidest, mida muu hulgas iseloomustavad kaootilised liigutused,sagedane naer või naeratused. Süsteem tuvastas haiguse täpsusega 92 protsenti (p = 0,05); eelmises uuringus oli täpsus 71 protsenti.

Teadlased õpetasid süsteemi ka Noonani sündroomi näitel tuvastama sama päriliku haiguse erinevaid tüüpe. Seda häiret on mitut tüüpi, millest igaüks on põhjustatud teatud geeni mutatsioonidest ja millel kõigil on näojoonte peened erinevused (näiteks hõredad kulmud). Kasutades 81 foto näidist, õpetasid artikli autorid DeepGestalt süsteemi eristama selle haiguse viit tüüpi täpsusega 64 protsenti (p <1 × 10-5).

Kokku kasutasid teadlased süsteemi koolitamiseks kokku 17 106 fotot, mis kujutasid 216 pärilikku haigust. Teadlased testisid DeepGestalt'i efektiivsust juba diagnoositud patsientide 502 fotol ja Londoni meditsiiniandmebaasi teadaoleva diagnoosiga patsientide 329 fotol põhineval teisel proovil. Süsteem määras patsiendi haiguse 10 kõige tõenäolisema variandi hulgast täpsusega 91 protsenti (p <1 × 10-6).

Teadlased hõlbustasid DeepGestalti kasutuselevõttu ka lihtsamalt - nad lõid platvormi pärilike haiguste diagnoosimiseks fenotüübi järgi ning ka arstide mobiilirakenduse Face2Gene, mille abil arst saab oma patsiendi diagnoosida.

Reklaamvideo:

Eelmisel aastal lõid teadlased süsteemi taimede herbaariumides tehtud piltide automaatseks tuvastamiseks. Konvolutsioonne närvivõrk on õppinud taimi tuvastama 90-protsendilise täpsusega.

Ekaterina Rusakova

Soovitatav: