Этапы обучения нейросетей классификации и детекции новообразований кожи

Обоснование. В последние годы нейросети стали неотъемлемой частью многих областей, включая медицину, однако эффективность этих моделей напрямую зависит от качества базы, на которой они обучаются. Создание и поддержание качественной обучающей базы является критически важным этапом в процессе разработки нейросетей.

Цель исследования ― определить этапы обучения нейросетей для достижения высокой чувствительности и специфичности их работы в области распознавания новообразований кожи.

Материалы и методы. На первом этапе исследования сформирована база данных фотографических изображений новообразований кожи для первичного обучения нейросети классификации изображений. С этой целью в период с 2017 по 2019 год собрано 7680 цифровых изображений от 6892 пациентов с диагнозами, верифицированными с помощью патоморфологического исследования в 5316 (69,22%) случаях, с помощью дерматоскопического и клинического исследования ― в 2364 (30,78%). Создан массив данных (датасет) из 7680 верифицированных клинических изображений новообразований кожи, из них 1680 изображений составили тестовую выборку для анализа эффективности модели. Показатели эффективности нейросети классификации «а» (НСКа): чувствительность (Se) 70,47%; специфичность (Sp) 79,86%; диагностическая точность (Ac) 74,68%. В связи с низкими показателями чувствительности и специфичности был проведён дополнительный раунд обучения; разработаны методы контроля качества изображения; созданы нейросеть детекции и нейросеть классификации «б» (НСКб) после второго раунда обучения нейросети.

Результаты. Нейросеть, обученная на верифицированном наборе клинических изображений доброкачественных и злокачественных новообразований кожи и прошедшая раунды обучения, работает с чувствительностью 85,32–86,97% и специфичностью 87,59–88,92%, что превышает чувствительность и специфичность диагностики новообразований кожи врачами неонкологических специальностей при обследовании невооружённым глазом и позволяет предложить данный инструмент для проведения популяционного скрининга. После дообучения нейросети, создания НСКб и нейросети детекции, разработки методов контроля качества изображения наблюдался рост показателей чувствительности и специфичности работы нейросети.

Заключение. Использование искусственного интеллекта в качестве помощника врача предъявляет достаточно высокие требования к параметрам работы нейросети. Механическое обучение даже на большом объёме верифицированных данных не позволило достичь желаемых результатов. Для улучшения параметров выполнен дополнительный раунд обучения, разработаны методы контроля качества изображения, созданы нейросети детекции и второй НСКб. В результате обученная нейросеть имеет чувствительность 85,32–86,97% и специфичность 87,59–88,92%, что позволяет предложить её в качестве инструмента для популяционного скрининга.