AI untuk Analisis Rontgen Dada: Mengklasifikasikan Enam Patologi dengan RAD-DINO-MAIRA-2
Microsoft
Seorang peneliti mengembangkan pengklasifikasi multi-label untuk enam patologi dada menggunakan encoder RAD-DINO-MAIRA-2 yang dibekukan dan kepala yang dapat dilatih kecil. Model mencapai AUC makro 0,9025 pada set validasi, dilatih pada 22.466 gambar sinar-X dari VinBigData dan OpenI. Proyek menelan biaya sekitar $300 di RunPod dan merupakan prototipe penelitian, bukan perangkat klinis.
Dari Oktober 2025 hingga April 2026, penulis membangun purwarupa penelitian yang menerima foto rontgen dada dan menghasilkan enam probabilitas independen (0-1) untuk patologi: kardiomegali, atelektasis, konsolidasi, efusi pleura, pneumotoraks, dan edema. Pendekatan ini menggunakan encoder Microsoft RAD-DINO-MAIRA-2 yang dibekukan (DINOv2 yang dilatih awal pada ~1,4 juta foto rontgen) dengan kepala kecil (LayerNorm → Linear(768→256) → GELU → Dropout → Linear(256→6)), hanya melatih 199.942 dari 86,8 juta parameter. Pelatihan menggunakan AdamW, ukuran batch 64, presisi bf16, dan menghabiskan biaya sekitar $300 pada A100 80GB di RunPod. Data berasal dari VinBigData (15.000 gambar) dan OpenI (7.466 gambar), dengan label OpenI diekstrak melalui penguraian berbasis aturan dari laporan radiologi, total 22.466 gambar yang dibagi 85/15. Penulis awalnya mencoba DenseNet121 tetapi menghentikannya karena gagal fokus pada anatomi yang relevan; peta panas menunjukkan perhatian pada artefak dan wilayah yang tidak relevan. Proyek ini secara eksplisit menghindari segmentasi atau pembuatan laporan dan tidak tersertifikasi untuk penggunaan klinis; penulis mencari organisasi untuk uji klinis guna mendaftarkan sebagai alat medis Kelas 3 di Rusia.
Sumber: Habr — хаб ИИ —
asli