ПОРІВНЯННЯ ЕФЕКТИВНОСТІ МЕТОДІВ НАПІВКЕРОВАНОГО НАВЧАННЯ НА ОСНОВІ АВТОЕНКОДЕРІВ ДЛЯ ЗАДАЧ КЛАСИФІКАЦІЇ ФОТОГРАФІЙ РАКОВИХ ЗАХВОРЮВАНЬ ШКІРИ

Анотація

Розглянуто та порівняно ефективність методів напівкерованого навчання на базі автоенкодерів для задачі класифікації фотографій ракових захворювань шкіри. У статті запропоновано систему оцінки методів напівкерованого навчання і запропоновано модифікації архітектур, описаних в літературних джерелах. Актуальність роботи полягає у дослідженні ефективності застосування різних методів напівкерованого навчання на прикладних задачах класифікації. Ефективне використання методів напівкерованого навчання для роботи з медичними даними може потенційно суттєво підвищити якість використання штучного інтелекту у медицині, оскільки нерозмічені медичні дані легше отримати і вони не потребують залучення дорогих спеціалістів. Як показали експерименти, проведені в рамках цього дослідження, методи напівкерованого навчання на базі автоенкодерів суттєво покращують метричні показники моделі для задачі класифікації фотографій ракових захворювань шкіри. В рамках дослідження розглянуто звичайний згортковий автоенкодер, варіаційний автоенкодер і сходову нейронну мережу, адаптовані для задач напівкерованого навчання. Як дані для експериментів використано датасет HAM10000. Для кожної моделі проведено 3 експерименти з різною кількістю розмічених даних у навчальній вибірці (5, 10, 30 % маркованих даних). Дослідження показали, що варіаційний автоенкодер демонструє виняткові результати на великій кількості розмічених даних, проте погано адаптується до малої кількості. Згортковий автоенкодер є ефективним тільки для великої кількості розмічених даних і дуже поступається складнішим методам НН у всіх експериментах. Дослідження показало, що сходова нейронна мережа є дуже ефективною для малої кількості маркованих даних порівняно з іншими розглянутими архітектурами. Отже, враховуючи специфіку задач класифікації медичних даних, можна зробити висновок, що сходова нейронна мережа є найефективнішою для такого типу задач.