Пока мы с вами пытаемся заполнить бесконечные отчеты о проделанной работе, которая зачастую существует только на бумаге, студенты МИРЭА освоили искусство создания качественной цифровой имитации. Максим Фёдоров разработал технологию, которая генерирует реалистичные рентгеновские снимки. Зачем? Чтобы обучать другие нейросети распознавать признаки редких заболеваний. Ведь собрать тысячи настоящих снимков редкой патологии — задача почти невыполнимая, если этих патологий в природе и так мало. Теперь вместо поиска реальных пациентов система просто комбинирует новые изображения, создавая видимость бурной деятельности для обучения алгоритмов.
Этот проект — плод совместной подготовки специалистов по медицинскому ИИ, которую РТУ МИРЭА и «Платформа Третье Мнение» ведут с 2023 года. Говорят, на профильных программах уже обучаются более 600 студентов. Цифра внушительная, особенно если представить, сколько отчетов им придется написать по этой программе. Научный руководитель проекта, доктор физико-математических наук Андрей Горшенин, подтверждает: разработка бьет в самую больную точку медицинского ИИ — нехватку данных. Если нет реальных данных, мы их просто нарисуем. Логика, достойная лучших министерских инициатив.
Механика процесса напоминает работу фантазера: исследователь дает текстовое описание, указывая нужные рентгенологические признаки вроде затемнения в лёгких или плеврального выпота, а система выдает картинку. Чтобы эта цифровая галлюцинация не превратилась в полный абсурд, в дело вступает специальный модуль проверки. Он следит, чтобы рёбра и внутренние органы не расположились в пространстве так, как это сделал бы пьяный хирург. После такой цензуры 94,5% сгенерированных изображений признаны клинически корректными. Почти идеальная отчетность, если не считать того, что снимки всё равно ненастоящие.
Во время тестов система демонстрировала чудеса скорости, создавая изображения со сложными сочетаниями признаков — послеоперационными изменениями или последствиями травм — всего за 15 миллисекунд. Причем она умудряется генерировать то, чего даже не было в обучающей выборке. Итог этой цифровой магии впечатляет: нейросеть, дообученная на этих синтетических «подделках», стала точнее выявлять редкие заболевания, чем модель, работавшая с реальными снимками. Метрика качества ROC AUC подскочила с 0,67 до 0,76, то есть примерно на 9%. В мире, где всё стремится к оптимизации, мы наконец-то научились заменять дефицит реальности качественным цифровым суррогатом.
Источник: Наука и университеты
