Tüdőgyulladás detektálás - gépi tanulással

Hírek - RSNA2018 | 2018. november 28. 05:53 | Utolsó módosítás dátuma - 2019. január 23. 22:05 | Forrás: RSNA sajtóanyag - dr. Lánczi Levente

Az Észak-Amerikai Radiológiai Társaság (RSNA) kihirdette második gépi tanulás versenyének eredményeit, melyet tüdőgyulladások mellkasröntgenen való felismerésére írt ki.

Tüdőgyulladás detektálás - gépi tanulással

A kiírt verseny (RSNA Pneumonia Detection Challenge) értelmében a pályázó csapatoknak pneumonia azonosítására és lokalizálására képes algoritmusokat kellett fejleszteni. 1400-nál is több csapat vett részt a versenyben, melyek közül 346 küldött be eredményeket.

A National Institutes of Health (NIH) által nyilvánosan közzétett mellkas röntgeneken kellett az alkalmazást fejleszteni. Carol Wu vezetésével az RSNA Gépi Tanulást Irányító Munkacsoportja (RSNA Machine Learning Steering Committee) és a Society of Thoracic Radiology önkéntesei végezték a felvételek annotációját, melyek a kiindulási alapot jelentették a résztvevőknek az algoritmusok tanítására és az eredmények értékelésére.

“Egy sikeres gépi tanulási folyamathoz egy kellően nagy menniységű és pontosságú adatbázis szükséges”, mondta Safwan Halabi a Stanford Gyermekkórház Radiológiai Informatikai Osztályának vezetője és az RSNA gépi tanulási adatok standardizálásáért felelős bizottságának (Machine Learning Data Standards Committee) vezetője. “A fejlesztők az adatbázisra építik fel modelljüket és szintén ezen adatbázison mérjük le a teljesítményt. Az egyik legfőbb célja a versenynek az, hogy a gépi tanulás előnyeit használjuk ki a diagnosztikus pontosság növelése érdekében, a betegellátás javításáért.”

A Google tulajdonosi köréhez köthető  Kaggle Inc. biztosította a verseny platformját és 30000 dolláros pénzdíjat is, az ünnepélyes eredményhirdetésre pedig az RSNA kongresszuson került sor.

“A mesterséges intelligenciával kapcsolatban egyre fokozódik az elvárás, hogy értékes eszközöket nyújtson a radiológia számára. Gépi tanulás versenyek szervezésével az RSNA fontos szerepet játszik ennek elősegítésében és bemutatásában”, hangsúlyozta Luciano Prevedello, aki az orvosi képalkotó informatika vezetője az Ohioi Állami Egyetemen, illetve az RSNA Gépi Tanulást Irányító Munkacsoport (RSNA Machine Learning Steering Committee) vezetője.

Az első tíz helyett csapat:

  1. Ian Pan & Alexandre Cadrin
  2. Dmytro Poplavskiy [ods.ai]
  3. Phillip Cheng
  4. 16bit.ai / layer6
  5. JRS_HP
  6. PFNeumonia
  7. DEEPRADIOLOGY
  8. Mu Song
  9. DASA-FIDI-IARA
  10. DancingBears

További cikkek