Исследователи из Канады применили нейронные сети с глубоким обучением (CNN) к выборке из 8000 эндоскопических изображений из HyperKvasir, крупнейшего доступного мультиклассового набора изображений и видеоданных желудочно-кишечного тракта.
Исследователи сгруппировали 851 изображение язвенного колита (ЯК) в группы легкого (n=236) и умеренного/тяжелого (n=604) течения ЯК. Веса были инициализированы с помощью ImageNet, а поиск по сетке использовался для определения лучших гиперпараметров посредством пятикратной перекрестной проверки. Все четыре модели CNN достигли чрезвычайно высокой прогностической точности во всех экспериментах при сравнении ЯК с эндоскопическими патологиями, не относящимися к ЯК. Однако, две неглубокие CNN — ResNet50 и VGG19 — не смогли достигнуть высокой прогностической точности во всех экспериментах при сравнении с эндоскопическими патологиями, не относящимися к ЯК.
Исследователи обратили внимание на отличия в качестве диагностики, возникающие при разных условиях освещённости, в данном случае экспертый анализ может быть более точен, чем CNN. Тем не менее, исследователи отметили, что CNN были высоко эффективны при любой тяжести течения ЯК.
