Utiliser des photos de grille-pain et de réfrigérateurs pour former des algorithmes à la détection de COVID-19

Utiliser des photos de grille-pain et de réfrigérateurs pour former des algorithmes à la détection de COVID-19

Radiographie montrant une pneumonie. Crédit : CDC sur Unsplash

De nouvelles recherches utilisant l’apprentissage automatique sur des images d’objets du quotidien améliorent la précision et la vitesse de détection des maladies respiratoires, réduisant ainsi le besoin d’une expertise médicale spécialisée.

Les chercheurs de l’Université Edith Cowan (ECU) ont formé des algorithmes sur une base de données de plus d’un million d’images courantes et ont transféré ces connaissances pour identifier les caractéristiques des conditions médicales pouvant être diagnostiquées à l’aide d’une radiographie.

Les résultats de cette technique, connue sous le nom d’apprentissage par transfert, ont atteint un taux de réussite de 99,24% lors de la détection de COVID-19 dans les radiographies pulmonaires.

L’étude s’attaque à l’un des plus grands défis de l’apprentissage automatique de la reconnaissance d’images : des algorithmes nécessitant d’énormes quantités de données, dans ce cas des images, pour pouvoir reconnaître certains attributs avec précision.

Le Dr Shams Islam, chercheur à l’École des sciences de l’ECU, a déclaré que cela était incroyablement utile pour identifier et diagnostiquer des conditions médicales émergentes ou rares.

“Notre technique a la capacité de détecter non seulement le COVID-19 dans les radiographies pulmonaires, mais également d’autres maladies pulmonaires telles que la pneumonie. Nous l’avons testée sur 10 maladies pulmonaires différentes, obtenant des résultats très précis”, a-t-il déclaré.

“Normalement, il est difficile pour les méthodes basées sur l’IA d’effectuer une détection précise des maladies pulmonaires, car les modèles d’IA ont besoin d’une très grande quantité de données d’entraînement pour comprendre les signatures caractéristiques des maladies.”

“Les données doivent être soigneusement annotées par des experts médicaux, ce n’est pas seulement un processus lourd, cela entraîne également un coût important.”

“Notre méthode contourne cette exigence et apprend des modèles précis avec une quantité très limitée de données annotées.”

“Bien qu’il soit peu probable que cette technique remplace les tests COVID-19 rapides que nous utilisons actuellement, il y a des implications importantes pour l’utilisation de la reconnaissance d’images dans d’autres diagnostics médicaux”, a-t-il déclaré.

Prendre un raccourci sur la formation

Auteur principal et Ph.D. ECU. Le candidat Fouzia Atlaf a déclaré que la clé pour réduire considérablement le temps nécessaire pour adapter l’approche à d’autres problèmes médicaux était de pré-former l’algorithme avec la grande base de données ImageNet.

“ImageNet est une base de données de plus d’un million d’images qui ont été classées par des humains, tout comme les radiographies pulmonaires effectuées par des professionnels de la santé devraient l’être”, a-t-elle déclaré.

“La différence est que les images dans la base de données sont des articles ménagers ordinaires qui peuvent être classés par des personnes sans expertise médicale.”

Le Dr Islam et Mme Altaf espèrent que la technique pourra être affinée davantage dans de futures recherches pour augmenter la précision et réduire davantage le temps de formation.

Le document de recherche, A novel augmented deep transfer learning for classification of COVID-19 and other thoracic diseases from X-rays a été publié dans Informatique neuronale et applications.


Les rayons X combinés à l’IA offrent un outil de diagnostic rapide pour détecter le COVID-19


Plus d’information:
Fouzia Altaf et al, Un nouvel apprentissage par transfert approfondi augmenté pour la classification du COVID-19 et d’autres maladies thoraciques à partir des rayons X, Informatique neuronale et applications (2021). DOI : 10.1007 / s00521-021-06044-0

Fourni par l’Université Edith Cowan

Citation: Utilisation de photos de grille-pain et de réfrigérateurs pour former des algorithmes à la détection de COVID-19 (2021, 28 juin) récupéré le 28 juin 2021 sur https://techxplore.com/news/2021-06-photos-toasters-fridges-algorithms-covid- .html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.