/图像-1/ X光显示肺炎。信贷:美国疾病控制与预防中心(CDC on Unsplash)在日常物品图像上使用机器学习的新研究正在提高检测呼吸系统疾病的准确性和速度，减少对专业医疗知识的需求。伊迪丝·考恩大学(电子控制单元)的研究人员在超过100万张普通图像的数据库上训练算法，并转移这些知识来识别可以用x光诊断的医学状况的特征。
这种技术的结果被称为转移学习，当在胸部x光中检测新冠肺炎时，成功率达到99.24%。
这项研究解决了图像识别机器学习中最大的挑战之一:算法需要大量数据，在这种情况下是图像，才能准确识别某些属性。
电子控制单元科学学院的研究员沙姆斯·伊斯拉姆博士说，这对于识别和诊断新出现的或不常见的医疗状况非常有用。
“我们的技术不仅能够检测胸部x光中的新冠肺炎，还能检测肺炎等其他胸部疾病。我们已经对10种不同的胸部疾病进行了测试，取得了非常准确的结果，”他说。
“通常，基于人工智能的方法很难准确检测胸部疾病，因为人工智能模型需要大量的训练数据来理解疾病的特征信号。”
“数据需要由医学专家仔细注释，这不仅是一个繁琐的过程，还会带来巨大的成本。”
“我们的方法绕过了这一要求，用非常有限的带注释的数据学习准确的模型。”
“虽然这项技术不太可能取代我们现在使用的快速新冠肺炎测试，但它对图像识别在其他医学诊断中的使用有重要意义，”他说。
在训练上走捷径
主要作者和电子控制单元博士候选人福齐亚·阿特拉夫说，显著减少将该方法应用于其他医疗问题所需时间的关键是用大型ImageNet数据库对算法进行预处理。
她说:“ImageNet是一个包含100多万张图像的数据库，这些图像已经被人类分类——就像医学专业人员进行胸部x光检查一样。
“不同的是，数据库中的图像是普通家庭物品，没有医学专业知识的人可以对其进行分类。”
伊斯拉姆博士和阿尔特夫女士希望这项技术可以在未来的研究中进一步完善，以提高准确性并进一步减少训练时间。
研究论文《神经计算与应用》发表了一篇新的增强深度转移学习，用于根据x光对新冠肺炎和其他胸部疾病进行分类。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
