[Машинное обучение, Искусственный интеллект] Есть ли ML после обучения нейронной сети?
Автор
Сообщение
news_bot ®
Стаж: 6 лет 9 месяцев
Сообщений: 27286
Всем привет! Сегодня я хочу рассказать про мета-модели в медицине. Обязательно читайте до конца, вас ждёт сюрприз!Под мета-моделями в машинном обучении обычно понимают модели, которые в качестве входных данных используют предсказания других алгоритмов. Мета-модель обучается комбинировать эти предсказания оптимальным образом в зависимости от задачи и характеристик конкретной единицы данных. Вообще существуют как простые примеры объединения предсказаний (голосование моделей), так и более хитрые – например, стекинг, в котором мета-модель может быть алгоритмом любой сложности – от логистической регрессии до глубокой нейронной сети.
На тему ансамблирования моделей уже написано немало статей и постов, поэтому здесь я хочу рассказать о паре интересных случаев использования мета-моделей для медицинских данных.Обычно мета-модели используют, когда хотят объединить предсказания разных алгоритмов – например, логистической регрессии, Random Forest, KNN, нейронок разных архитектур. Разные модели могут обращать внимание на разные закономерности в данных и в совокупности давать более точный результат, чем каждая модель по отдельности. Такой подход часто используется и в медицине, однако есть и более интересный кейс. Датасеты по одной и той же медицинской проблеме часто размечены с помощью разных шкал. К примеру, для описания маммографических данных в медицине обычно используется шкала Bi-RADS. Врач-рентгенолог присваивает исследованию оценку от 1 до 5, которая отражает уверенность врача в наличии злокачественного образования на изображении. В то же время, во многих случаях у нас есть доступ только к бинарной информации о наличии рака – есть или нет. Если мы хотим использовать все эти датасеты для обучения, одно из возможных решений – использование мета-модели. Сначала мы обучаем отдельные модели на каждом датасете со своей шкалой или методологией разметки, а затем уже используем их предсказания как фичи в мета-модели.Ещё один распространённый кейс – наличие небольшого количества «сильной» разметки и большого количества «слабой». Под слабой разметкой понимают наличие аннотации только на уровне пациента или исследования – например, здоров он или болен. А под сильной – более детальную разметку, например, на бибоксы или маски объектов на изображении.
Обучать классификационные нейронки напрямую на слабой разметке достаточно сложно. Нейронная сеть должна вычленить, где именно на изображении или целом 3D-вольюме (пачке изображений) находятся объекты интереса и определить их тип, при этом напрямую мы ей эту информацию при обучении не предоставляем. Такой тип проблем в машинном обучении называется Multiple Instance Learning.Мета-модели предлагают альтернативный способ использования слабой разметки. Сначала мы обучаем одну или несколько локализационных моделей (детекторов или сегментаторов) на сильной разметке с аннотированными объектами, а затем генерим предсказания этих моделей на слабых данных. Эти предсказания могут быть использованы для генерации различных фичей, которые используются для обучения мета-модели.А теперь обещанный сюрприз! Мы, совместно с ODS, подготовили для вас соревнование, в котором вы сможете обучить медицинскую мета-модель как раз по последнему сценарию. Мы взяли несколько наших детекторов различного качества и сгенерили их предсказания для большого количества маммографических изображений, по которым есть только разметка по шкале Bi-RADS.
Это соревнование позволит прокачать ваши навыки сразу в двух областях: feature engineering и обучении классических ML-моделей. Тем, кто хочет добиться наилучших результатов, предстоит погрузиться в доменнную область, изучить специфику маммографических исследований и сгенерить крутые фичи, которые позволят построить модели наивысшего качества.Соревнование продлится до конца лета, после этого мы подведём итоги и наградим победителей крутыми гаджетами и комплектующими для ваших DL-станций. Присоединяйтесь!
===========
Источник:
habr.com
===========
Похожие новости:
- [Информационная безопасность, Системное администрирование, Сетевые технологии, Резервное копирование] Ирония бэкапа: успешный бизнес-план для катастрофы
- [PHP, Программирование] Что нового в PHP 8.1 (перевод)
- [Тестирование IT-систем, Тестирование веб-сервисов, Тестирование мобильных приложений, Тестирование игр] Где начинающему тестировщику получить первый опыт: проект «Хомячки»
- [SQL, Функциональное программирование] Как в ЦФТ реализовать то, что мы всегда делали в Бисквите (с примерами)
- [Управление разработкой, Карьера в IT-индустрии, IT-компании] Как стать IT лидом в стартапе. Мой опыт в 5 шагах
- [Интерфейсы, Usability, Дизайн] Как UX/UI-дизайнеру не потеряться в тысяче макетов в Figma: новый инструмент контроля версий
- [Управление разработкой, Управление проектами, Управление продуктом, Транспорт] Интерфейс с человеческим лицом
- [Обработка изображений, Научно-популярное, Мозг, Биология] Лица там, где их нет: парейдолия и восприятие эмоций
- [Разработка под Windows, История IT] Триумфальное возвращение Clippy и других памятных моментов Windows в виде фонов для Teams
- [Процессоры, Будущее здесь, IT-компании] СМИ: «Ростех» разработает процессоры для школ, вузов и больниц за 27,8 млрд рублей
Теги для поиска: #_mashinnoe_obuchenie (Машинное обучение), #_iskusstvennyj_intellekt (Искусственный интеллект), #_ii (ии), #_iskusstvennyj_intellekt (искусственный интеллект), #_machine_learning, #_ml, #_meditsina (медицина), #_onkologija (онкология), #_metamodel (метамодель), #_blog_kompanii_tsels (
Блог компании Цельс
), #_mashinnoe_obuchenie (
Машинное обучение
), #_iskusstvennyj_intellekt (
Искусственный интеллект
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 22:41
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 9 месяцев |
|
|
Всем привет! Сегодня я хочу рассказать про мета-модели в медицине. Обязательно читайте до конца, вас ждёт сюрприз!Под мета-моделями в машинном обучении обычно понимают модели, которые в качестве входных данных используют предсказания других алгоритмов. Мета-модель обучается комбинировать эти предсказания оптимальным образом в зависимости от задачи и характеристик конкретной единицы данных. Вообще существуют как простые примеры объединения предсказаний (голосование моделей), так и более хитрые – например, стекинг, в котором мета-модель может быть алгоритмом любой сложности – от логистической регрессии до глубокой нейронной сети.  На тему ансамблирования моделей уже написано немало статей и постов, поэтому здесь я хочу рассказать о паре интересных случаев использования мета-моделей для медицинских данных.Обычно мета-модели используют, когда хотят объединить предсказания разных алгоритмов – например, логистической регрессии, Random Forest, KNN, нейронок разных архитектур. Разные модели могут обращать внимание на разные закономерности в данных и в совокупности давать более точный результат, чем каждая модель по отдельности. Такой подход часто используется и в медицине, однако есть и более интересный кейс. Датасеты по одной и той же медицинской проблеме часто размечены с помощью разных шкал. К примеру, для описания маммографических данных в медицине обычно используется шкала Bi-RADS. Врач-рентгенолог присваивает исследованию оценку от 1 до 5, которая отражает уверенность врача в наличии злокачественного образования на изображении. В то же время, во многих случаях у нас есть доступ только к бинарной информации о наличии рака – есть или нет. Если мы хотим использовать все эти датасеты для обучения, одно из возможных решений – использование мета-модели. Сначала мы обучаем отдельные модели на каждом датасете со своей шкалой или методологией разметки, а затем уже используем их предсказания как фичи в мета-модели.Ещё один распространённый кейс – наличие небольшого количества «сильной» разметки и большого количества «слабой». Под слабой разметкой понимают наличие аннотации только на уровне пациента или исследования – например, здоров он или болен. А под сильной – более детальную разметку, например, на бибоксы или маски объектов на изображении.  Обучать классификационные нейронки напрямую на слабой разметке достаточно сложно. Нейронная сеть должна вычленить, где именно на изображении или целом 3D-вольюме (пачке изображений) находятся объекты интереса и определить их тип, при этом напрямую мы ей эту информацию при обучении не предоставляем. Такой тип проблем в машинном обучении называется Multiple Instance Learning.Мета-модели предлагают альтернативный способ использования слабой разметки. Сначала мы обучаем одну или несколько локализационных моделей (детекторов или сегментаторов) на сильной разметке с аннотированными объектами, а затем генерим предсказания этих моделей на слабых данных. Эти предсказания могут быть использованы для генерации различных фичей, которые используются для обучения мета-модели.А теперь обещанный сюрприз! Мы, совместно с ODS, подготовили для вас соревнование, в котором вы сможете обучить медицинскую мета-модель как раз по последнему сценарию. Мы взяли несколько наших детекторов различного качества и сгенерили их предсказания для большого количества маммографических изображений, по которым есть только разметка по шкале Bi-RADS.  Это соревнование позволит прокачать ваши навыки сразу в двух областях: feature engineering и обучении классических ML-моделей. Тем, кто хочет добиться наилучших результатов, предстоит погрузиться в доменнную область, изучить специфику маммографических исследований и сгенерить крутые фичи, которые позволят построить модели наивысшего качества.Соревнование продлится до конца лета, после этого мы подведём итоги и наградим победителей крутыми гаджетами и комплектующими для ваших DL-станций. Присоединяйтесь! =========== Источник: habr.com =========== Похожие новости:
Блог компании Цельс ), #_mashinnoe_obuchenie ( Машинное обучение ), #_iskusstvennyj_intellekt ( Искусственный интеллект ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 22:41
Часовой пояс: UTC + 5