Модель без полного дообучения классифицирует рентген грудной клетки по нескольким патологиям
Исследователи предложили способ мультилейбл‑классификации рентгенов грудного отдела, выдавая вероятности патологии без полного fine‑tune большой сети.
В статье на Habr ML автор делится результатами работы над задачей, которая часто обсуждается в медицинских технологиях, но до рабочего прототипа доходит лишь небольшая часть команд. Требовалось построить систему, способную одновременно оценивать несколько патологий на рентгеновском снимке грудной клетки и выдавать вероятностные оценки, например: «плевральный выпот — 87 %», «пневмоторакс — 12 %».
Для решения задачи был выбран подход, не требующий полного дообучения (full fine‑tune) тяжёлой нейросети. Вместо этого использовалась предобученная Vision‑Transformer модель из библиотеки Hugging Face, к которой были добавлены лёгкие адаптерные слои (LoRA). Обучение проводилось на арендованной GPU‑инстансе за несколько часов, используя лишь 5 % от оригинального набора данных NIH ChestX‑Ray14.
Полученные результаты показали средний AUC ≈ 0.92 по пяти ключевым патологиям, что сопоставимо с более тяжёлыми решениями, требующими полного fine‑tune. При этом затраты на вычислительные ресурсы сократились более чем в 10 раз. Полный код и обучающие скрипты опубликованы в открытом репозитории GitHub, а статья доступна по ссылке: https://habr.com/ru/articles/1062678/.
Подобный подход демонстрирует, что современные предобученные модели могут быть адаптированы к специфическим медицинским задачам без необходимости масштабных вычислительных мощностей, открывая путь к более быстрым прототипам в клинической практике.
Для AI‑разработчиков в медицине это открывает возможность быстро создавать прототипы диагностических систем без дорогостоящего GPU‑обучения. Однако такие решения требуют тщательной клинической валидации и контроля качества, иначе риск ошибочных диагнозов остаётся высоким.
