Neuraaliverkko Opetettiin Tunnistamaan Valokuvaamalla 216 Harvinaista Perinnöllistä Sairautta - Vaihtoehtoinen Näkymä

Neuraaliverkko Opetettiin Tunnistamaan Valokuvaamalla 216 Harvinaista Perinnöllistä Sairautta - Vaihtoehtoinen Näkymä
Neuraaliverkko Opetettiin Tunnistamaan Valokuvaamalla 216 Harvinaista Perinnöllistä Sairautta - Vaihtoehtoinen Näkymä

Video: Neuraaliverkko Opetettiin Tunnistamaan Valokuvaamalla 216 Harvinaista Perinnöllistä Sairautta - Vaihtoehtoinen Näkymä

Video: Neuraaliverkko Opetettiin Tunnistamaan Valokuvaamalla 216 Harvinaista Perinnöllistä Sairautta - Vaihtoehtoinen Näkymä
Video: КАЖДАЯ ПРИНЦЕССА ДИСНЕЙ 👑 В ШКОЛЕ ТАКАЯ! Кристофф против Ледяного Джека ❄️! 2024, Maaliskuu
Anonim

Tutkijat ovat kehittäneet keinoälyn järjestelmän, joka pystyy diagnosoimaan valokuvauksesta 216 harvinaista perinnöllistä sairautta erittäin tarkasti. Kuten Nature Medicine -lehdessä ilmoitettiin, häntä koulutettiin tunnistamaan geneettinen häiriö (valitse kymmenestä todennäköisimmästä vaihtoehdosta) 91 prosentin tarkkuudella. Tutkijat ovat myös helpottaneet järjestelmän käyttöä käytännössä: he ovat luoneet lääkäreille mobiilisovelluksen, jonka avulla voit tunnistaa geneettisen häiriön potilaan valokuvasta.

Perinnöllisen häiriön diagnosointi on usein vaikeaa. Geneettisiin häiriöihin liittyy useita tuhansia sairauksia, joista suurin osa on erittäin harvinaisia. Monet lääkärit eivät harjoittelun aikana välttämättä ole tällaisten sairauksien edessä, joten vertailutietojärjestelmä, joka auttaisi tunnistamaan harvinaiset perinnölliset sairaudet, helpottaisi diagnoosia. Tutkijat ovat jo luoneet samanlaisia kasvotunnistukseen perustuvia järjestelmiä, mutta he ovat tähän mennessä pystyneet tunnistamaan enintään 15 geneettistä häiriötä, kun taas useiden sairauksien tunnistamisen tarkkuus ei ylittänyt 76 prosenttia. Lisäksi tällaiset järjestelmät eivät joskus pystyneet erottamaan sairaita terveistä. Samaan aikaan koulutusnäyte ei usein ylittänyt 200 kuvaa, mikä on liian pieni syvälle oppimista varten.

Siksi amerikkalaiset, saksalaiset ja israelilaiset tutkijat ja FDNA-yrityksen työntekijät kehittivät Yaron Gurovichin johdolla Tel Avivin yliopistosta DeepGestalt-kasvojentunnistusjärjestelmän, jonka avulla oli mahdollista diagnosoida useita satoja sairauksia. Konvoluutiohermoverkkoja käyttämällä järjestelmä jakaa kasvot erillisiin 100 x 100 kuvapisteisiin ja ennustaa kunkin sairauden todennäköisyyden tietylle fragmentille. Sitten kaikki tiedot kootaan yhteen ja järjestelmä määrittelee todennäköisen häiriön henkilölle kokonaisuutena.

DeepGestalt jakaa valokuvien kasvot erillisiin fragmentteihin ja arvioi, kuinka ne vastaavat kaikkia mallin tauteja. Fragmenttien kokonaismäärän perusteella järjestelmä tekee sijoitetun luettelon mahdollisista sairauksista. Y. Gurovich et ai. / Luontolääketiede, 2019
DeepGestalt jakaa valokuvien kasvot erillisiin fragmentteihin ja arvioi, kuinka ne vastaavat kaikkia mallin tauteja. Fragmenttien kokonaismäärän perusteella järjestelmä tekee sijoitetun luettelon mahdollisista sairauksista. Y. Gurovich et ai. / Luontolääketiede, 2019

DeepGestalt jakaa valokuvien kasvot erillisiin fragmentteihin ja arvioi, kuinka ne vastaavat kaikkia mallin tauteja. Fragmenttien kokonaismäärän perusteella järjestelmä tekee sijoitetun luettelon mahdollisista sairauksista. Y. Gurovich et ai. / Luontolääketiede, 2019.

Tutkijat kouluttivat järjestelmän erottamaan tietty perinnöllinen sairaus useista muista. Koulutukseen he käyttivät 614 valokuvaa ihmisistä, jotka kärsivät Cornelia de Lange -oireyhtymästä, joka on harvinainen perinnöllinen sairaus, joka ilmenee muun muassa henkisen vajaatoiminnan ja sisäelinten synnynnäisten epämuodostumien muodossa. Kirjoittajat käyttivät negatiivisina kontrolleina yli tuhat muuta kuvaa. DeepGestalt erotti Cornelia de Langen oireyhtymän muista sairauksista 97 prosentin tarkkuudella (p = 0,01). Muiden tutkimusten tekijät saavuttivat 87 prosentin tarkkuuden, kun taas asiantuntijat tekivät oikean diagnoosin, keskimäärin 75 prosenttia tapauksista. Toisessa kokeessa tutkijat käyttivät 766 valokuvaa potilaista, joilla oli Angelmanin oireyhtymä ("Petrushka-oireyhtymä"), jolle on tunnusomaista muun muassa kaoottiset liikkeet,usein nauraa tai hymyilee. Järjestelmä tunnisti taudin tarkkuudella 92 prosenttia (p = 0,05); edellisessä tutkimuksessa tarkkuus oli 71 prosenttia.

Tutkijat opettivat myös järjestelmää tunnistamaan saman perinnöllisen sairauden erityypit käyttämällä Noonanin oireyhtymän esimerkkiä. Tätä häiriötä on useita tyyppejä, joista kumpikin johtuu tietyn geenin mutaatioista, ja jokaisella on hienoisia eroja kasvojen piirteissä (kuten harvat kulmakarvat). 81 valokuvanäytteen avulla artikkelin kirjoittajat opettivat DeepGestalt -järjestelmää erottamaan tämän taudin viisi tyyppiä tarkkuudella 64 (p <1 × 10-5).

Järjestelmän kouluttamiseksi tutkijat käyttivät yhteensä 17 106 valokuvaa, jotka edustavat 216 perinnöllistä sairautta. Tutkijat testasivat DeepGestaltin tehokkuutta 502 valokuvassa potilaista, joille on jo diagnosoitu, ja toisessa näytteessä 329 valokuvasta potilaista, joilla on tunnettu diagnoosi Lontoon lääketieteellisestä tietokannasta. Järjestelmä määritti potilaan sairauden kymmenestä todennäköisimmästä muunnelmasta tarkkuudella 91 prosenttia (p <1 x 10-6).

Tutkijat helpottivat myös DeepGestaltin toteuttamista käytännössä - he loivat alustan perinnöllisten sairauksien diagnosoimiseksi fenotyypin perusteella sekä lääkärien mobiilisovelluksen Face2Gene, jolla lääkäri voi diagnosoida potilaansa.

Mainosvideo:

Viime vuonna tutkijat loivat järjestelmän tunnistaa kasvit automaattisesti kasvihuoneistaan käytetyistä kuvista. Konvoluutiohermoverkko on oppinut tunnistamaan kasvit 90-prosenttisella tarkkuudella.

Ekaterina Rusakova