Naarmate kunstmatige-intelligentiesystemen afbeeldingen beter leren herkennen en classificeren, ze worden zeer betrouwbaar bij het diagnosticeren van ziekten, zoals huidkanker, van medische beelden. Maar hoe goed ze ook zijn in het detecteren van patronen, AI zal je dokter niet snel vervangen. Zelfs als het als hulpmiddel wordt gebruikt, beeldherkenningssystemen hebben nog steeds een expert nodig om de gegevens te labelen, en veel data:het heeft afbeeldingen nodig van zowel gezonde patiënten als zieke patiënten. Het algoritme vindt patronen in de trainingsgegevens en wanneer het nieuwe gegevens ontvangt, het gebruikt wat het heeft geleerd om het nieuwe beeld te identificeren.

Een uitdaging is dat het voor een expert tijdrovend en kostbaar is om elk beeld te verkrijgen en te labelen. Om dit probleem aan te pakken, een groep onderzoekers van Carnegie Mellon University's College of Engineering, waaronder professoren Hae Young Noh en Asim Smailagic, hebben samengewerkt om een ​​actieve leertechniek te ontwikkelen die een beperkte dataset gebruikt om een ​​hoge mate van nauwkeurigheid te bereiken bij het diagnosticeren van ziekten zoals diabetische retinopathie of huidkanker.

Het model van de onderzoekers begint te werken met een reeks niet-gelabelde afbeeldingen. Het model bepaalt hoeveel afbeeldingen er moeten worden gelabeld om een ​​robuuste en nauwkeurige set trainingsgegevens te hebben. Het kiest een eerste set willekeurige gegevens om te labelen. Zodra die gegevens zijn gelabeld, het plot die gegevens over een distributie omdat de afbeeldingen zullen variëren naar leeftijd, geslacht, fysieke eigendom, etc. Om op basis van deze gegevens een goede beslissing te nemen, de monsters moeten een grote distributieruimte beslaan. Het systeem bepaalt vervolgens welke nieuwe gegevens aan de dataset moeten worden toegevoegd, gezien de huidige verspreiding van gegevens.

"Het systeem meet hoe optimaal deze verdeling is, " zei nee, een universitair hoofddocent civiele en milieutechniek, "en berekent vervolgens statistieken wanneer er een bepaalde set nieuwe gegevens aan wordt toegevoegd, en selecteert de nieuwe dataset die de optimaliteit maximaliseert."

Het proces wordt herhaald totdat de gegevensset voldoende is verdeeld om als trainingsset te worden gebruikt. hun methode, genaamd MedAL (voor medisch actief leren), bereikte 80% nauwkeurigheid bij het detecteren van diabetische retinopathie, met slechts 425 gelabelde afbeeldingen, wat een vermindering van 32% is van het aantal vereiste gelabelde voorbeelden in vergelijking met de standaard onzekerheidssteekproeftechniek, en een vermindering van 40% in vergelijking met willekeurige steekproeven.

Ze testten het model ook op andere ziekten, inclusief afbeeldingen van huidkanker en borstkanker, om aan te tonen dat het van toepassing kan zijn op een verscheidenheid aan verschillende medische beelden. De methode is generaliseerbaar, omdat de focus ligt op het strategisch gebruik van gegevens in plaats van te proberen een specifiek patroon of kenmerk voor een ziekte te vinden. Het kan ook worden toegepast op andere problemen die deep learning gebruiken, maar databeperkingen hebben.

"Onze actieve leerbenadering combineert op voorspellende entropie gebaseerde onzekerheidsbemonstering en een afstandsfunctie op een geleerde functieruimte om de selectie van niet-gelabelde monsters te optimaliseren, " zei Smailagic, een onderzoeksprofessor in Carnegie Mellon's Engineering Research Accelerator. "De methode overwint de beperkingen van de traditionele benaderingen door efficiënt alleen de afbeeldingen te selecteren die de meeste informatie geven over de algehele gegevensdistributie, het verminderen van de rekenkosten en het verhogen van zowel de snelheid als de nauwkeurigheid."

Het team omvatte civiele en milieutechniek Ph.D. studenten Mostafa Mirshekari, Jonathon Fagert, en Susu Xu, en masterstudenten elektrotechniek en computertechniek Devesh Walawalkar en Kartik Khandelwal. Ze presenteerden hun bevindingen op de IEEE International Conference on Machine Learning and Applications 2018 in december, waar ze een Best Paper Award ontvingen voor hun nieuwe werk.