KI zur Röntgen-Thorax-Analyse: Klassifizierung von sechs Pathologien mit RAD-DINO-MAIRA-2
Microsoft
Ein Forscher entwickelte einen Multi-Label-Klassifikator für sechs Thorax-Pathologien unter Verwendung des eingefrorenen RAD-DINO-MAIRA-2-Encoders und eines kleinen trainierbaren Heads. Das Modell erreichte eine makroskopische AUC von 0,9025 auf dem Validierungssatz, trainiert auf 22.466 Röntgenbildern von VinBigData und OpenI. Das Projekt kostete etwa 300 US-Dollar auf RunPod und ist ein Forschungsprototyp, kein klinisches Gerät.
Von Oktober 2025 bis April 2026 baute der Autor einen Forschungsprototyp, der aus einem Röntgenbild des Brustkorbs sechs unabhängige Wahrscheinlichkeiten (0–1) für Pathologien ermittelt: Kardiomegalie, Atelektase, Konsolidierung, Pleuraerguss, Pneumothorax und Ödem. Der Ansatz verwendet einen eingefrorenen Microsoft RAD-DINO-MAIRA-2-Encoder (DINOv2 vortrainiert auf etwa 1,4 Millionen Röntgenbildern) mit einem kleinen Kopf (LayerNorm → Linear(768→256) → GELU → Dropout → Linear(256→6)) und trainierte nur 199.942 der 86,8 Millionen Parameter. Das Training verwendete AdamW, eine Batchgröße von 64, bf16-Präzision und kostete etwa 300 Dollar auf einer A100 80GB bei RunPod. Die Daten stammten von VinBigData (15.000 Bilder) und OpenI (7.466 Bilder), wobei die OpenI-Labels durch regelbasiertes Parsen von radiologischen Befunden extrahiert wurden, was insgesamt 22.466 Bilder ergab, aufgeteilt im Verhältnis 85/15. Der Autor versuchte zuerst DenseNet121, gab es aber auf, weil es sich nicht auf relevante Anatomie konzentrierte; Heatmaps zeigten Aufmerksamkeit auf Artefakte und irrelevante Regionen. Das Projekt vermeidet explizit Segmentierung oder Berichterstellung und ist nicht für den klinischen Einsatz zertifiziert; der Autor sucht eine Organisation für klinische Studien, um es als Medizinprodukt der Klasse 3 in Russland zu registrieren.
Quelle: Habr — хаб ИИ —
Original