Prezantimi

Pandemia e COVID-19, e shkaktuar nga koronavirusi i ri SARS-CoV2, po përhapet me shpejtësi në të gjithë botën dhe po krijon probleme serioze shëndetësore dhe ekonomike. Megjithëse standardi i artë për diagnostikimin e sëmundjes COVID-19 është një analizë e reaksionit zinxhir polimerazë (PCR), një radiografi e gjoksit mund të jetë një shtesë e vlefshme për kutinë e veglave diagnostikuese.
Duke përdorur të dhënat e të dhënave COVID-Net Open Source Initiative , kam trajnuar tre modele të mësimit të makinerive për të dalluar gjetjet me rreze x të gjoksit nga sëmundja COVID-19, pneumoni të tjera jo-COVID-19 dhe mushkëri të shëndetshme. Fletoret jupyter për këtë projekt janë të disponueshme në faqen time Github.

Grupi i të dhënave

103 imazhe të COVID-19, 500 imazhe të pneumonisë jo-COVID-19 dhe 500 imazhe të mushkërive të shëndetshme u shkarkuan nga lidhjet e ofruara nga faqja COVID-Net Github. Për të balancuar grupin e të dhënave, e zgjerova klasën e COVID-19 në 500 imazhe me rrotullim të lehtë (probabiliteti=1, rrotullim maksimal=5) dhe zmadhimi (probabiliteti=0,5, zona_përqindje=0,9) të imazheve origjinale duke përdorur paketën python Augmentor. 80% e imazheve u caktuan për trajnim dhe 20% për vërtetimin e modeleve ML.

Modeli 1

Unë kodova rrjetin nervor konvolucionist bazë me tre grupe shtresash konvolucioniste dhe bashkuese, e ndjekur nga një shtresë plotësisht e lidhur me 512 nyje të thella dhe tre nyje dalëse.

Modeli arriti 98% saktësi trajnimi dhe 78% saktësi vërtetimi. Mbi përshtatja e modelit ka shumë të ngjarë për shkak të grupeve të kufizuara të të dhënave.

Raporti i klasifikimit për sëmundjen COVID-19 tregoi tërheqje (ndjeshmëri) prej 81% dhe saktësi (vlerë parashikuese pozitive) prej 94%.

Modeli 2

Për këtë model, unë përdora të mësuarit e transferimit me modelin Xception të trajnuar paraprakisht në grupin e të dhënave ImageNet (1.2 milion imazhe në 1000 kategori). Modeli Xception, me konvolucion të ndashëm në thellësi, është një model i avancuar i të mësuarit të thellë që mundi konkurrencën në klasifikimin ImageNet. Mësimi i transferimit është një mjet i dobishëm kur nuk keni një grup të dhënash mjaftueshëm të madhe për të trajnuar modelin nga e para. Një mënyrë është të hiqni një shtresë plotësisht të lidhur nga modeli i trajnuar paraprakisht si Xception dhe të trajtoni pjesën tjetër të modelit si një nxjerrës të veçorive fikse për grupin e ri të të dhënave dhe të trajnoni vetëm klasifikuesin e ri. Një mënyrë tjetër për të përdorur një model të trajnuar paraprakisht është të trajnoni jo vetëm një klasifikues të ri, por edhe të rregulloni shtresat më të larta konvolucionare të modelit të trajnuar paraprakisht që janë përgjegjëse për nxjerrjen e tipareve të nivelit të lartë. Kam përdorur mënyrën e parë për Modelin 2 dhe të dytën për Modelin 3. Një shpjegim i shkëlqyeshëm i thelluar i të mësuarit të transferimit mund të gjendet në këtë postim të mesëm.

Modeli arriti 82% saktësi trajnimi dhe 82% saktësi vërtetimi.

Raporti i klasifikimit për sëmundjen COVID-19 tregoi tërheqje (ndjeshmëri) prej 99% dhe saktësi (vlerë parashikuese pozitive) prej 73%.

Modeli 3

Këtë herë unë jo vetëm që hoqa klasifikuesin nga modeli Xception, por gjithashtu rregullova mirë tre shtresat e fundit të nxjerrësit të veçorive Xception në grupin tim të të dhënave. Për akordimin e duhur, kam ulur shkallën e parazgjedhur të mësimit të Adam optimizer me 10x.

Modeli arriti pothuajse 100% (99,92%) saktësi trajnimi dhe 86% saktësi vërtetimi.

Raporti i klasifikimit për sëmundjen COVID-19 tregoi tërheqje (ndjeshmëri) prej 83% dhe saktësi (vlerë parashikuese pozitive) prej 94%, rezultatet më të mira për diagnostikimin e sëmundjes COVID-19 të të tre modeleve.

konkluzioni

Pandemia e COVID-19 është një ngjarje e rëndë dhe tragjike që po shkakton shumë vuajtje në mbarë botën. Inteligjenca artificiale mund të jetë një nga mjetet që mund të përdoret për të luftuar këtë armik shkatërrues. Në këtë postim, unë shpjegova se si të përdoret mësimi i transferimit me modelin Xception për të klasifikuar me sukses imazhet radiologjike të gjoksit COVID-19.

I uroj sinqerisht shëndet të mirë të gjithë lexuesve të mediumit dhe familjeve të tyre në këtë kohë krize.