เว็บสล็อต , สล็อตแตกง่าย การเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคที่สับสนโดยฉลากภาพ

เว็บสล็อต , สล็อตแตกง่าย การเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคที่สับสนโดยฉลากภาพ

เว็บสล็อต , สล็อตแตกง่าย ปัญญาประดิษฐ์ (AI) มีศักยภาพที่จะมีบทบาทสำคัญในการแพทย์หลายด้าน โดยเฉพาะอย่างยิ่ง การใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์ภาพทางการแพทย์และปรับปรุงความถูกต้องของการวินิจฉัยโรคเป็นประเด็นที่น่าสนใจที่กำลังเติบโตอย่างรวดเร็ว แต่ AI ไม่ได้สมบูรณ์แบบ การศึกษาใหม่ได้เปิดเผยว่าฉลากภาพรังสีสามารถสร้างความสับสนให้กับเครือข่าย AI และจำกัดประโยชน์ทางคลินิกของพวกมัน

ปัญหาเกิดขึ้นเนื่องจากปรากฏการณ์

ที่เรียกว่าการแบ่งชั้นที่ซ่อนอยู่ ซึ่งโครงข่ายประสาทเทียม (CNN) ได้รับการฝึกฝนให้วิเคราะห์ภาพทางการแพทย์ เรียนรู้ที่จะจำแนกภาพตามลักษณะที่ไม่เกี่ยวข้องในการวินิจฉัย ตัวอย่างเช่น โครงข่ายประสาทเทียมที่ได้รับการฝึกฝนเพื่อวินิจฉัยรอยโรคที่ผิวหนังถูกค้นพบโดยแท้จริงแล้วกำลังมองหาการปรากฏตัวของไม้บรรทัด ซึ่งรวมถึงมาตราส่วนในภาพของรอยโรคมะเร็ง ที่อื่น CNNs ที่ได้รับการฝึกฝนเพื่อตรวจหา pneumothorax (ปอดที่ยุบ) ในการถ่ายภาพรังสีทรวงอกใช้การมีท่อหน้าอกเป็นทางลัดในการระบุเหตุการณ์ดังกล่าว ส่งผลให้เกิดการวินิจฉัยที่ไม่ได้รับหากไม่มีท่อ คุณลักษณะที่น่าสับสนอื่นๆ ได้แก่ ลูกศรบนภาพหรือฉลากภาพเอ็กซ์เรย์ ซึ่งมักใช้เพื่อระบุตัวนักถ่ายภาพรังสี หรือแยกความแตกต่างจากขวาและซ้ายบนภาพเอ็กซ์เรย์

ในการศึกษาล่าสุดนี้Paul Yiผู้อำนวยการ University of Maryland Medical Intelligent Imaging ( UM2ii ) Center และผู้ทำงานร่วมกันได้ประเมินว่าฉลากภาพรังสีมีผลกระทบต่อการฝึกของ CNN โดยใช้ภาพจาก ชุดข้อมูล MURAของภาพรังสีกล้ามเนื้อและกระดูกของ Stanford อย่างไร พวกเขาตั้งสมมติฐานว่าการปิดฉลากดังกล่าวสามารถช่วยชี้นำความสนใจของ CNN ไปสู่ลักษณะทางกายวิภาคที่เกี่ยวข้องได้

นักวิจัยใช้ภาพเอ็กซ์เรย์ท่อนบน 40,561 ภาพเพื่อฝึกตัวจำแนกประเภท DenseNet-121 CNN สามตัวเพื่อแยกความแตกต่างปกติจากภาพที่ผิดปกติ พวกเขาประเมินข้อมูลอินพุตสามประเภท: ภาพต้นฉบับที่มีทั้งกายวิภาคและป้ายกำกับ รูปภาพที่มีฉลากคลุมด้วยกล่องดำ และฉลากที่แยกออกมาเพียงอย่างเดียว

สำหรับแต่ละ CNN นักรังสีวิทยาระบบกล้ามเนื้อและกระดูก

ที่ผ่านการรับรองจากคณะกรรมการได้ตรวจสอบแผนที่ความร้อนของภาพทดสอบ 500 ภาพเพื่อระบุว่าคุณลักษณะใดที่ CNN เน้นย้ำ นักวิจัยพบว่า CNN ฝึกฝนเกี่ยวกับภาพต้นฉบับที่เน้นไปที่ฉลากภาพรังสีใน 89% ของแผนที่ความร้อน 500 แผนที่ เมื่อครอบคลุมถึงฉลาก ใน 91% ของแผนที่ความร้อน CNN ได้เปลี่ยนการเน้นกลับไปสู่ลักษณะทางกายวิภาค เช่น กระดูก

ทีมงานยังได้ประเมินพื้นที่ใต้เส้นโค้ง (AUC) ซึ่งเป็นการวัดว่าอัลกอริธึมทำงานได้ดีเพียงใดสำหรับระบอบการฝึกอบรมทั้งสาม สำหรับ CNN ที่ได้รับการฝึกอบรมเกี่ยวกับภาพต้นฉบับ AUC คือ 0.844; เพิ่มขึ้นเป็น 0.857 สำหรับรูปภาพที่มีป้ายกำกับแบบปิด CNN ได้รับการฝึกฝนเกี่ยวกับฉลากภาพรังสีเพียงอย่างเดียววินิจฉัยความผิดปกติด้วย AUC 0.638 ซึ่งเป็นความแม่นยำมากกว่าโอกาส ซึ่งบ่งชี้ว่ามีการแบ่งชั้นที่ซ่อนอยู่ โดยมีป้ายกำกับบางส่วนเกี่ยวข้องกับความผิดปกติมากกว่าประเภทอื่นๆ

โมเดลแมชชีนเลิร์นนิงที่ตรวจพบ COVID-19 จากการเอ็กซ์เรย์ทรวงอกไม่เหมาะสำหรับการใช้งานทางคลินิก นักวิจัยสรุปว่า CNN มีความอ่อนไหวต่อคุณลักษณะของภาพที่ทำให้สับสน และควรได้รับการตรวจคัดกรองหาข้อจำกัดนี้ก่อนที่จะมีการใช้งานทางคลินิก “เนื่องจากฉลากเหล่านี้มีอยู่ทั่วไปในการถ่ายภาพรังสี นักรังสีวิทยาที่พัฒนา CNN จึงควรตระหนักและจัดการกับหลุมพรางนี้ไว้ก่อน” พวกเขาเขียน “การปิดฉลากแสดงถึงวิธีแก้ปัญหาที่เป็นไปได้วิธีหนึ่ง ในการศึกษาของเรา ส่งผลให้ประสิทธิภาพของแบบจำลองดีขึ้นอย่างมากและปรับทิศทางความสนใจไปที่กระดูก”

“ขณะนี้เรากำลังทำงานอย่างแข็งขันเพื่อทำความเข้าใจการแบ่งชั้นที่ซ่อนอยู่ให้ดีขึ้น ทั้งในการระบุปัจจัยที่อาจก่อให้เกิดความสับสนสำหรับอัลกอริธึมการเรียนรู้เชิงลึกในรังสีวิทยาและในการพัฒนาวิธีการบรรเทาปัญหาเหล่านี้” Yi กล่าวกับPhysics World “นัยของปัญหาเหล่านี้มีผลอย่างมากต่อการทำให้มั่นใจว่าการนำ AI ไปใช้อย่างปลอดภัยและเชื่อถือได้ และการศึกษาเบื้องต้นนี้เป็นเพียงการขีดข่วนพื้นผิวเท่านั้น”

อนุภาคในระบบ MBL นั้นไม่สามารถดูดซับพลังงาน

ได้เนื่องจากติดอยู่กับความผิดปกติของร่างกายจำนวนมาก ความสัมพันธ์ระหว่างอนุภาคได้รับการแก้ไขตั้งแต่เริ่มต้น และเอนโทรปียังคงเหมือนเดิม แทบจะไม่เป็นไปตามกฎข้อที่สองของอุณหพลศาสตร์ สิ่งสำคัญที่สุดคือระบบไม่เคยบรรลุสภาวะสมดุลทางความร้อน

ความผิดปกติทำให้เกิดคำสั่ง

ในปี 2015 Khemani และเพื่อนร่วมงานได้แสดงให้เห็นว่าการขับรถ Floquet และ MBL ร่วมกันทำให้ผลึกของเวลาเป็นไปได้อย่างชัดเจน เนื่องจากการหักล้างสมมาตรที่เกิดขึ้นเองของอดีตและการหลีกเลี่ยงเอนโทรปีของสิ่งหลัง อย่างไรก็ตาม มีส่วนประกอบเพิ่มเติมอีกหนึ่งอย่าง กุญแจสำคัญในการรวม Floquet driving และ MBL เข้าด้วยกันเพื่อสร้างเฟสที่ไม่สมดุลคือคุณสมบัติของ MBL ที่รู้จักกันในชื่อ eigenstate order

ในระยะปกติของสสาร ปริมาณทางกายภาพจะถูกวัดและหาค่าเฉลี่ยผ่านชุดความร้อน ซึ่งเป็นชุดของสถานะที่จับพฤติกรรมของระบบที่อุณหภูมิคงที่ แต่ละรัฐภายในคอลเล็กชันนั้น เรียกว่า eigenstates ส่วนใหญ่ไม่สามารถเข้าถึงได้และไม่เกี่ยวข้อง ในทางกลับกัน ในระบบ MBL ที่ไม่เคยถึงจุดสมดุลทางความร้อน รัฐแต่ละสถานะเหล่านี้มีความสำคัญ สำหรับเงื่อนไขเริ่มต้นที่แตกต่างกัน การสุ่มโลคัลไลซ์ซิ่งจะขับเคลื่อนระบบไปสู่ลักษณะเฉพาะที่แตกต่างกัน

ลำดับของไอเกนสเตทนั้นมีเอกลักษณ์เฉพาะด้วยว่าไอเกนสเตททุกตัวมีไอเกนสเตทสหาย เมื่อความสมมาตรของการแปลเวลาถูกทำลาย เป็นการยากที่จะกำหนดแนวคิดที่สอดคล้องกันของพลังงาน แทนที่จะพูดถึงแนวคิดที่เกี่ยวข้องอย่างใกล้ชิดของพลังงานเสมือนซึ่งมีการกำหนดเป็นระยะและมีลักษณะเหมือนเฟส ในทางทฤษฎีแล้ว พลังงานหรือพลังงานเสมือนสามารถจับคู่ในระบบที่ไม่ใช่ MBL ได้ อย่างไรก็ตาม ในทางปฏิบัติ ความร่วมมือนี้มีความอ่อนไหวต่อความไม่สมบูรณ์เพียงเล็กน้อย ในระบบ MBL พลังงานไม่ได้จัดเรียงแม้ว่าจะสุ่ม แต่เป็นเพราะเหตุนี้ แม้ภายใต้สภาวะที่ไม่สมบูรณ์ ความเท่าเทียมกันนี้แน่นอน – ความแข็งแกร่งที่ทำให้ MBL เหมาะสมอย่างยิ่งสำหรับการสร้างผลึกแห่งกาลเวลา เว็บสล็อต , สล็อตแตกง่าย