Orvosi képek elemzését segíti a Counterfactual GAN — a radiológusok munkáját gyorsítja
A technika a generatív ellenhálózati (GAN) modellekre épül, ciklikusan konzisztens veszteségfüggvénnyel, ami a hagyományos diszkriminatív módszerek hiányosságait orvosolja.
Új, ellenfelekkel szembeni generatív hálózatokon (GAN) alapuló módszert dolgoztak ki orvosi képek attribúciójára, amely a radiológusok munkáját hivatott segíteni a deformitások vizualizálásában — írja az arXiv-on megjelent kutatás.
A meglévő vizualizációs technikák többsége diszkriminatív modelleken alapul, és azokat a bemeneti kép régiókat emeli ki, amelyek részt vesznek a besorolási döntéshozatalban. Ezek a megközelítések azonban nem veszik figyelembe az összes észrevehető objektumot, mivel céljuk a bemenet osztályozása a diszkriminatív jellemzők minimális halmazának felhasználásával.
Kauzalitás az orvosi képeken
A probléma kiküszöbölésére egy ellenfelekkel szembeni magyarázaton (CX) alapuló, osztályorientált jellemző-attribúciós módszert javasolnak. A CX egy ok-okozati érvelési folyamatot fejt ki: „ha X nem történt volna meg, akkor Y sem történt volna meg”. Ez a megközelítés mélyebb betekintést nyújt abba, hogy mely objektumok befolyásolják az egész kép vagy annak pixeleinek besorolását egy adott kategóriába.
A Counterfactual GAN hatékonysága
A kutatók szerint az új módszerrel a radiológusok pontosabban azonosíthatják a rendellenességeket, ami javíthatja a diagnózisok megbízhatóságát. A technika a jövőben kulcsszerepet játszhat a mesterséges intelligencia orvosi képalkotásban való alkalmazásának továbbfejlesztésében, és 2024-ben várható a Counterfactual GAN első klinikai tesztje az Egyesült Államokban.