ПРИМЕНЕНИЕ ТРЁХКЛАССОВОЙ АРХИТЕКТУРЫ CNN ДЛЯ МИНИМИЗАЦИИ ЛОЖНЫХ ДИАГНОЗОВ В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ РАКА И ТУБЕРКУЛЕЗА ЛЕГКИХ: РЕЗУЛЬТАТЫ ПРЕДВАРИТЕЛЬНЫХ ИССЛЕДОВАНИЙ

Аннотация:

Цель: Получить предварительную оценку возможностей применения трёхклассовой архитектуры сверточной нейронной сети (CNN) для снижения вероятности получения ложноположительных и ложноотрицательных заключений при дифференциальной диагностике туберкулеза и рака легких за счет выделения в отдельный класс нетипичных для данных заболеваний изображений. Исследования проводились путем вычислительного эксперимента с использованием разработанного для этих целей программного комплекса на основе сверточной нейронной сети. На выходе нейросети формировалась диаграмма, показывающей вероятности соответствия снимка раку, туберкулёзу, либо иному, не содержащему признаки данных заболеваний, изображению. Для обучения нейросети было отобрано 108 изображений, количество которых было доведено до 512 за счет использования увеличения. Работа модели оценивалась по тестовой части выборки и по изображениям, взятым из внешних источников. В результате разработанная нейросетевая модель позволяет не только идентифицировать типовые КТ-изображения или рентгеновские снимки рака и туберкулеза легких. Вероятность отнесения исследуемого снимка к верифицированному классу (рак, туберкулез или иное не содержащее признаков данных заболеваний изображение), лежит в пределах 80-95%, тогда как на вероятность его отнесения к альтернативным классам не превышает 5-20%. И даже для изображений, взятых из сторонних источников, существенно отличающихся от изображений датасетов, результат распознавания был положительным. Представление результатов работы нейросети в виде вероятности отнесения изображения к тому или иному классу заболевания существенно повышает степень доверия врача к получаемым результатам и минимизирует вероятность получения как ложноположительных, так и ложноотрицательных заключений. Заключение: Проведенные исследования показали, что разработанная нейросетевая модель верно классифицирует изображения и за счет введения дополнительного класса повышает надёжность и степень доверия к получаемому результату.

Авторы:

Издание: Медицинская физика
Год издания: 2025
Объем: 18с.
Дополнительная информация: 2025.-N 4.-С.112-129. Библ. 40 назв.
Просмотров: 0