Технология двойного назначения
Вот эти ребята делают тоже самое уже лет 10 и процент у них повыше
https://www.fotofinder.de/en/company/about-us/
Но идея отличная. Собственно, нейросеть всё равно на что натравливать. Я знаю работающий проект по определению туберкулеза по флюорографии. Гугл, если я правильно помню, вообще хотел открытый интерфейс делать для всех желающих (не в курсе чем у них закончилось). В общем, лет через 10-15 врач, читающий снимки самостоятельно, будет либо крутым профессором на сложных случаях, либо врачом в не очень развитой стране.
раскрыть ветку (10)
раскрыть ветку (9)
Ссылку на статью по какому вопросу?
По флюорографии - статьи нет, наверное, есть контакты этого проекта, могу прислать (они из моего города).
Про гугл и открытый интерфейс - вряд ли найду, это было пару лет назад, я их читал но не сохранял.
О том, что через 10-15 лет машина будет читать лучше врачей - это практически консолидированное мнение врачей, могу поискать интервью с разработчиками если нужно.
раскрыть ветку (8)
раскрыть ветку (7)
http://ftizisbiomed.ru/
http://spbmiac.ru/iskusstvennyjj-intellekt-postavit-diagnoz/
https://vector.ru/news/pervyj-mezhdunarodnyj-forum-po-tsifro...
раскрыть ветку (6)
раскрыть ветку (5)
Повторяемость эксперимента, показатели лучше чем у врача - чем не научный эксперимент? :) Понятно, что диагноз врач будет ставить, на это никто и не претендует (ни распознавание флюорографий, ни всякие IBM Watson), идея в том, чтобы освободить врачей от рутинных операций и повысить качество.
раскрыть ветку (4)
Мне интересно какие параметры и сколько их было для модели классификации) Просто самое банальное что я смог с ходу придумать, это анализировать каждый пиксель) Но там какой-то свой формат был и наверняка есть более адекватные подходы, от людей которые этим занимаются)
раскрыть ветку (3)
Не, нейросети не так работают :) Там пиксели пофиг, там нужно машинное обучение по одному из алгоритмов (их несколько). Если грубо, самый простой: скармливаем сети N-ое количество заведомо положительных и заведомо отрицательных снимков, сеть пытается найти закономерности (тут изобретать не надо, алгоритмы уже есть) и на основе найденных закономерностей ответить да/нет на следующий снимок. Следующий проверяется врачом и ответ корректируется если нужно - обратная реакция от врача изменяет алгоритм. И так далее, пока сеть не станет определять лучше врача :) при этом врача клонировать нельзя, а сеть легко (и работает она без выходных и отпусков)
раскрыть ветку (2)
Нейронная сеть - это метод машинного обучения, але) Выбирается набор признаков и класс(есть патология на снимке или нет). Прогоняем тренировочный набор, потом сравниваем на тестовом)
Задача классификации при нейронном обучении)
Потому и интересно было какие именно признаки выбраны - ибо это ключевой момент.
Если вкраце про пиксели - использовать сверточные нейронные и по коду пикселя(это набор признаков) пытаться определить(компьютерное зрение)
раскрыть ветку (1)