Исследователи Пермского государственного университета проверили, как искусственное увеличение количества медицинских изображений влияет на точность нейросетей. Эксперимент показал, что дополнительные данные не всегда помогают ИИ лучше распознавать заболевания. В некоторых случаях качество работы моделей даже снижается.
Для расширения обучающих наборов ученые использовали распространенный метод аугментации: исходные фотографии поворачивали, обрезали, отражали, меняли их яркость, контрастность и цветовой баланс. Полученные изображения добавляли в набор как дополнительные примеры для обучения.
В исследовании использовали две открытые базы. Первая включала 20 971 фотографию ног, распределенную по семи категориям международной классификации CEAP, которая применяется для оценки хронических заболеваний вен. Вторая содержала 6786 дерматологических изображений восьми категорий.
Авторы сравнили 12 архитектур нейросетей, включая сверточные модели и трансформеры. Объем обучающих данных увеличивали постепенно — от исходного набора до его расширения на 100%. Каждую конфигурацию запускали 20 раз, чтобы оценить стабильность результатов. Всего исследователи провели 5280 обучений.
Результаты показали, что эффект от дополнительных изображений зависит от конкретной модели и набора данных. Например, увеличение обучающей выборки на 10% улучшило точность только у трех из 12 моделей при работе с фотографиями ног и у пяти моделей на дерматологическом наборе. У остальных нейросетей показатели не изменились или ухудшились.
При максимальном расширении дерматологической базы десять из 12 моделей показали снижение точности на 1–5 процентных пунктов по сравнению с обучением на исходных данных.
По мнению исследователей, причина заключается в том, что искусственные преобразования не всегда сохраняют важные особенности медицинских изображений. Изменение цвета, формы или отдельных деталей может повлиять на признаки, по которым нейросеть распознает заболевание. Поэтому простое увеличение количества примеров не гарантирует более надежной диагностики.
Авторы подчеркивают, что аугментация остается полезным инструментом, но ее эффективность необходимо проверять отдельно для каждой архитектуры и задачи. Исследование опубликовано в журнале Journal of Imaging.
Источник: Минобрнауки России
Читайте также: В ПГУ разработали робота-паука для спасательных операций и обследования трубопроводов