Ученые применили технологию глубокой сверточной генеративно-состязательной сети (DCGAN). Генеративно-состязательная сеть — разновидность алгоритма, опирающегося на взаимодействие двух сетей. Одна генерирует изображения, а другая пытается отличить искусственные от настоящих. Обучение происходит до тех пор, пока вторая машина не перестанет замечать различия. Как только таким образом создается достаточное количество рентгеновских снимков, к их анализу подключают сверточную нейронную сеть, которая пытается распознать на них признаки заболевания.

«По сути, мы используем машинное обучение для обучения машин, — говорит профессор Шахрох Валаи. — Мы создаем искусственные рентгенограммы, на которых отражены определенные редкие заболевания, так что их можно комбинировать с реальными рентгеновскими снимками, и [тогда мы] получаем достаточно большой набор данных, чтобы обучить нейронную сеть распознавать редкие заболевания».

Сравнив эффективность нового подхода с традиционным, разработчики обнаружили, что точность диагностики распространенных заболеваний увеличилась на 20%, а для ряда редких — на 40%, пишет Science Daily.

«Мы смогли показать, что искусственные данные, созданные глубокой сверточной сетью, могут быть использованы для улучшения наборов реальных данных, — говорит Валаи. — Это даст огромное количество данных для обучения и улучшает производительность этих систем в области идентификации редких заболеваний».

Недавно немецкие ученые представили алгоритм, который диагностирует инфаркт не хуже кардиологов. Он прошел обучение на данных ЭКГ больных и здоровых людей и показал результаты, превосходящие возможности всех существующих нейросетей.