Nowy sposób wykorzystania sztucznej inteligencji kryjącej się za deepfake może poprawić diagnostykę raka

Kategoria: Sztuczna inteligencja Opublikowany lip 05

Generatywne sieci adwersarzy, algorytmy odpowiedzialne za deepfake, mają ostatnio trochę złego rapu. Jednak ich zdolność do syntezy wysoce realistycznych obrazów może również przynieść istotne korzyści w diagnostyce medycznej.

Algorytmy głębokiego uczenia doskonale sprawdzają się w dopasowywaniu wzorców do obrazów; mogą być przeszkoleni w wykrywaniu różnych rodzajów raka w tomografii komputerowej, różnicowaniu chorób w MRI i identyfikowaniu nieprawidłowości na zdjęciu rentgenowskim. Ale z powodu obaw o prywatność badacze często nie mają wystarczającej ilości danych szkoleniowych. W tym miejscu wkraczają GAN: mogą syntetyzować więcej obrazów medycznych, które są nie do odróżnienia od rzeczywistych, skutecznie pomnażając zbiór danych do niezbędnej ilości.

Jest jednak inne wyzwanie. Algorytmy głębokiego uczenia muszą trenować na obrazach o wysokiej rozdzielczości, aby uzyskać najlepsze prognozy, jednak synteza takich obrazów o wysokiej rozdzielczości, zwłaszcza w 3D, wymaga dużej mocy obliczeniowej. Oznacza to, że wymaga specjalnego i drogiego sprzętu, przez co jego zastosowanie na dużą skalę w szpitalach jest niepraktyczne.

Tak więc naukowcy z Instytutu Informatyki Medycznej Uniwersytetu w Lubece zaproponował nowe podejście aby proces był znacznie mniej intensywny. Podzielili to na etapy: GAN najpierw generuje cały obraz w niskiej rozdzielczości, a następnie generuje szczegóły we właściwej rozdzielczości, po jednym małym przekroju na raz. Poprzez eksperymenty naukowcy wykazali nie tylko, że ich metoda generowała realistyczne obrazy 2D i 3D o wysokiej rozdzielczości przy niskich zasobach obliczeniowych, ale także że nakłady pozostały stałe niezależnie od rozmiaru obrazu.

Aby więcej takich historii trafiało bezpośrednio do Twojej skrzynki odbiorczej, zapisz się do naszego nominowanego przez Webby biuletynu AI The Algorithm. Jest wolne.