Schätzgenauigkeit des dieses Mal entwickelten KI-Modells zur Geschlechtseinschätzung (Balkenbasis: Dateigröße des Modells). Bildnachweis: NII
Die Japanische Ophthalmologische Gesellschaft und das National Institute of Informatics haben ein KI-Modell entwickelt und veröffentlicht, um das Geschlecht einer Person anhand von Fundusbildern abzuschätzen. Dabei werden Daten verwendet, die vom Japan Ocular Imaging Registry (JOIR) gesammelt wurden, einer nationalen ophthalmologischen Datenbank, die mit Unterstützung des Japan Ocular Imaging Registry (JOIR) erstellt wurde Japanische Agentur für Medizin- und Gesundheitswissenschaften (AMED).
Wir gehen davon aus, dass Forscher dieses KI-Modell in zukünftigen Forschungen anwenden werden, und es hilft dabei, die Pathophysiologie von Krankheiten aufzuklären, bei denen die Häufigkeit des Auftretens je nach biologischem Geschlecht unterschiedlich ist.
Deep Learning hat sich als bedeutender Durchbruch im maschinellen Lernen herausgestellt und wird häufig in der künstlichen Intelligenz (KI), insbesondere in der Bilderkennung, eingesetzt. Zahlreiche Berichte deuten darauf hin, dass die Genauigkeit der Bilderkennung die des Menschen übertroffen hat.
Im Jahr 2017 gründete das NII das Research Center for Medical Bigdata (RCMB), um KI für medizinische Assistenz zu entwickeln und eine Datenbank mit Big Data für medizinische Bilder zu erstellen. NII entwickelte und betreibt außerdem eine integrierte Cloud-Umgebung (Cloud-Plattform), die mit leistungsstarken Datenservern und GPU-Servern für maschinelle Lernberechnungen ausgestattet ist.
Medizinische Bildanalyseforscher in ganz Japan, darunter auch die Universität Nagoya, sind als Teil des NII-Analyseteams mit der Cloud-Plattform verbunden und arbeiten gemeinsam an der Forschung und Entwicklung verschiedener KIs für die medizinische Unterstützung.
Im Jahr 2019 gründete JOS das General Incorporated Association Japan Ocular Imaging Registry (JOI Registry oder JOIR), um verschiedene ophthalmologische Daten von ophthalmologischen Einrichtungen im ganzen Land zu sammeln, mit dem Ziel, die Forschung und Entwicklung der medizinischen Assistenz-KI zu fördern und zu unterstützen. Die gesammelten ophthalmologischen Bilder in der JOIR-Datenbank werden anonymisiert und an die Cloud-Infrastruktur von NII gesendet, um mithilfe der verfügbaren Rechenressourcen in der Cloud-Infrastruktur eine KI zur medizinischen Unterstützung zu entwickeln.
In den letzten Jahren hat die Entwicklung der KI mithilfe medizinischer Bilder rasante Fortschritte gemacht und es wurde deutlich, dass es nicht nur möglich ist, das Vorhandensein oder Nichtvorhandensein einer Krankheit festzustellen, sondern auch den Zustand der Person abzuschätzen, deren Bild aufgenommen wurde.
Es hat sich gezeigt, dass mithilfe von KI Alter, Geschlecht, Raucherstatus, Blutzuckerspiegel usw. anhand von Fundusbildern der Netzhaut, dem lichtempfindlichen Teil des Auges, und den daraus gewonnenen Informationen abgeschätzt werden können wird von Augenärzten verwendet. Es hat das Potenzial, in der medizinischen Forschung eingesetzt zu werden, die nicht nur auf regionale Krankheiten, sondern auch auf verschiedene systemische Krankheiten abzielt. Allerdings wurde die entwickelte KI in der bisher berichteten Forschung nicht veröffentlicht, so dass es nicht möglich war, sie für andere Forschungen zu nutzen.
Um dieses Problem anzugehen, arbeitete JOS mit NII zusammen, um eine KI zu entwickeln, die das Alter einer Person anhand von Fundusbildern schätzt. Im Januar 2023 wurde das KI-Modell (Schätzmethode) einem breiten Spektrum von Forschern kostenlos zur Verfügung gestellt. Im zweiten Schritt haben wir eine KI entwickelt, die anhand von Fundusbildern das biologische Geschlecht abschätzt und stellen diese der Öffentlichkeit kostenlos zur Verfügung.
Das von uns entwickelte Modell verwendete 131.031 Fundusbilder von Menschen im Alter zwischen 17 und 94 Jahren mit Geschlechtsbezeichnungen als Trainingsdaten und führte Deep Learning mit Geschlecht als korrekter Antwort durch. Während des Trainings haben wir 16 beliebte Deep-Learning-Modelle verwendet (DenseNet-121/169/201, Inception-V3, Inception-ResNet-V2, MobileNet, MobileNetV2, Xception, EfficientNet-B0/B1/B2/B3/B4/B5/B6). /B7).
Infolgedessen betrug die Genauigkeit, mit der das aus den Fundusbildern der Validierungsdaten geschätzte Geschlecht mit dem tatsächlichen Geschlecht übereinstimmte, 92,0 % (AUC 0,971) für das höchste Modell, was den für andere Rassen verwendeten Modellen zur Geschlechtsschätzung entspricht. Darunter werden wir zwei Modelle veröffentlichen: EfficientNet-B7, das am genauesten war, und MobileNet, das leichtgewichtig und hochpräzise war.
Mithilfe dieser KI-Modelle können Forscher die Pathophysiologie von Krankheiten aufklären, deren Häufigkeit je nach biologischem Geschlecht unterschiedlich auftritt, oder Informationen ergänzen, wenn die Geschlechtsinformationen in ihrer Forschung fehlen.
Mehr Informationen:
Das Modell kann von der JOIR-Webseite unter der folgenden URL heruntergeladen werden:
http://www.joir.jp/data/index.html
Bereitgestellt von der Forschungsorganisation für Information und Systeme
Zitat: Öffentliche Veröffentlichung von KI zur Schätzung des biologischen Geschlechts anhand von Fundusbildern (2024, 19. Januar), abgerufen am 19. Januar 2024 von https://medicalxpress.com/news/2024-01-ai-biological-sex-fundus-images.html
Dieses Dokument unterliegt dem Urheberrecht. Abgesehen von einem fairen Handel zum Zweck des privaten Studiums oder der Forschung darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient ausschließlich Informationszwecken.
