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.
