Исследование возможности повышения точности диагностики редких заболеваний сетчатки по данным ОКТ с помощью глубокого обучения и классификации по малому числу примеров

Глубокое обучение успешно применяют для диагностики офтальмологических заболеваний. Однако редкие заболевания часто остаются без внимания из-за недостатка данных. В этой работе показано, что обучение на малом числе примеров с использованием генеративно-состязательной сети (GAN) может расширить возможности глубокого обучения при диагностике редких заболеваний по данным оптической когерентной томографии (ОКТ). В исследование включили четыре основных класса, представленных большим числом данных, и пять классов редких заболеваний с небольшим числом примеров. До обучения классификатора были построены модели GAN для генерации патологических ОКТ-изображений каждого редкого заболевания на основе нормальных ОКТ-изображений. Архитектуру Inception-v3 обучали на расширенной обучающей выборке, а итоговую модель проверили на независимой тестовой выборке. Синтетические изображения помогли выделить характерные признаки каждого редкого заболевания. Предложенная модель глубокого обучения значительно повысила точность диагностики редких заболеваний сетчатки по данным ОКТ и превзошла традиционные модели глубокого обучения, сиамскую и прототипную сети. Повышение точности диагностики редких заболеваний сетчатки с помощью обучения на малом числе примеров позволит врачам не упускать такие заболевания при поддержке глубокого обучения, сокращая задержки диагностики и бремя болезни для пациентов.