Радиомический батл
Метки: Последние публикации, дайджест, компьютерное зрение, новости, педиатрия, хай-тек
По данным публикации в журнале Радиология(Radiology) за февраль 2019 - The RSNA Pediatric Bone Age Machine Learning Challenge / Конкурс от RSNA по машинному обучению для определения костного возраста детей - внешняя ссылка
Конкурс RSNA по машинному обучению при определении костного возраста детей показал применение машинного обучения в медицинской визуализации, способствовал тому, как эти новые инструменты и методы могут улучшить диагностическую помощь, и определил новаторов в области применения машинного обучения в медицинской визуализации.
Конкурс машинного обучения при определении костного возраста детей в Радиологическом обществе Северной Америки (RSNA) был создан для того, чтобы продемонстрировать применение машинного обучения (ML) и искусственного интеллекта (AI) в медицинской визуализации, содействовать сотрудничеству в целях стимулирования создания моделей AI и выявления новаторов в сфере медицинской визуализации.
Цель этого соревнования состояла в том, чтобы побудить отдельных лиц и целые команды на создание алгоритмов или моделей с использованием методов ML, которые бы точно определяли возраст скелета по данным рентгенограмм детей. Первичным критерием оценки было среднее абсолютное расстояние (MAD) в месяцах, которое рассчитывалось как среднее абсолютных значений: расчетным и эталонным возрастами кости.
Набор данных, состоял из 14 236 рентгенограмм рук (обучающая выборка - 12 611, проверочная выборка - 1425, и собственно рабочая/тестовая выборка - 200). В общей сложности на сайте конкурса было зарегистрировано 260 участников/команд, но только 105 заявок поступило от 48 уникальных участников на этапах обучения, проверки и тестирования. Почти во всех методах использовались методы глубоких нейронных сетей, основанные на одной или нескольких сверточных нейронных сетях. Пять лучших результатов по MAD составили 4,2, 4,4, 4,4 и 4,5 месяца соответственно.
Данный конкурс показал, как можно успешно проводить скоординированный подход к решению проблем медицинской визуализации. Будущие проблемы ML будут катализировать сотрудничество и разработку инструментов и методов ML, которые потенциально могут улучшить точность диагностики и заботу о пациенте.
*Жаль не указана премия победителю этой олимпиады.
*комментарии редактора
