Качество датасета медицинских снимков (как и датасетов изображений в любой другой области) напрямую влияет на точность модели машинного обучения.

В секторе здравоохранения это ещё более важно, ведь качество крупных массивов данных медицинских снимков для диагностического и медицинского AI (искусственного интеллекта) или моделей глубокого обучения может стать для пациентов вопросом жизни и смерти.

Как знают команды клинических исследователей, сложность, форматы и слои информации в медицине больше и затейливее, чем в немедицинских изображениях и видео. Отсюда и берётся необходимость в алгоритмах искусственного интеллекта, машинного обучения (ML) и глубокого обучения с целью понимания, интерпретации и обучения на аннотированных массивах данных медицинских снимков.

В этой статье мы расскажем о сложностях создания обучающих массивов данных из медицинских снимков и видео (особенно в сфере радиологии), а также поделимся рекомендациями по созданию обучающих массивов данных высочайшего качества.

Картинка bestanimations

Вся жизнь человечества, так или иначе, построена на использовании энергии, борьба за эффективность источников которой (а также за принципиальную их доступность) — идёт не прекращаясь. Тем не менее существует общедоступный источник, абсолютно бесплатный и многократно описанный в литературе — атмосферное электричество. Здесь подразумевается не добыча энергии, например, с использованием энергии ветра, а непосредственное извлечение её из воздушного океана.

И именно об этом мы и поговорим в этой статье.