Если есть какая-то область, в которой профессионалы и общественность положительно относятся к перспективам и потенциалу ИИ, это может быть анализ медицинских изображений, где методы компьютерного зрения (CV) SOTA и наборы данных классификации изображений уже превосходят рентгенологов в таких задачах, как опухоли и рак. обнаружение. Теперь группа исследователей из Шанхайского университета Цзяо Тонг (SJTU) создала тестовый набор, призванный помочь сделать эти жизненно важные модели еще более надежными.

Анализ медицинских изображений — это наука об анализе и обработке биомедицинских изображений, таких как рентгеновские снимки, компьютерная томография и ультразвук. Хотя подходы AutoML продолжают совершенствоваться, исследователи отмечают, что в настоящее время существует мало эффективных эталонных тестов для сравнения этих систем. Чтобы решить эту проблему, они разработали MedMNIST, набор из 10 предварительно обработанных наборов данных медицинских изображений, выпущенных по лицензии Creative Commons (CC).

Наборы данных SJTU MedMNIST систематизированы для выполнения задач классификации на облегченных изображениях 28x28, что не требует базовых клинических или CV-знаний. Они охватывают модальности первичных данных в анализе медицинских изображений и включают различные масштабы данных (от 100 до 100 000).

Команда разработала MedMNSIT Classification Decathlon, чтобы он функционировал в качестве эталона для AutoML в классификации медицинских изображений, который может эффективно демонстрировать производительность алгоритмов AutoML на всех десяти наборах данных MedMNIST без ручной настройки.

Исследователи говорят, что наборы данных в целом хорошо работают с методом Google AutoML Vision. Однако они отмечают, что типичные алгоритмы статистического машинного обучения, такие как ResNet-18, ResNet-50 и autoKeras, плохо работали с наборами данных MedMNIST.

Команда надеется, что эталонные тесты MedMNIST Classification Decathlon помогут исследователям ускорить изучение алгоритмов анализа медицинских изображений.

Статья MedMNIST Classification Decathlon: облегченный AutoML Benchmark для анализа медицинских изображений находится на arXiv. Наборы данных и код MedMNIST находятся на проекте GitHub.

Аналитик: Роберт Тиан | Монтажер: Майкл Саразен; Фанюй Кай

Синхронизированный отчет | Обзор китайских решений искусственного интеллекта в ответ на пандемию COVID-19 — 87 тематических исследований от более чем 700 поставщиков ИИ

В этом отчете предлагается взглянуть на то, как Китай использует технологии искусственного интеллекта в борьбе с COVID-19. Он также доступен на Amazon Kindle. Вместе с этим отчетом мы также представили базу данных, охватывающую дополнительные 1428 решений искусственного интеллекта из 12 сценариев пандемии.

Нажмите здесь, чтобы найти больше отчетов от нас.

Думаете внести свой вклад в Synced Review? Новая колонка Synced Share My Research приглашает ученых поделиться своими достижениями в исследованиях с глобальными энтузиастами искусственного интеллекта.