AI voor röntgenfoto-analyse van de borstkas: classificatie van zes pathologieën met RAD-DINO-MAIRA-2
Microsoft
Een onderzoeker ontwikkelde een multi-label classificator voor zes borstpathologieën met behulp van de bevroren RAD-DINO-MAIRA-2 encoder en een kleine trainbare kop. Het model behaalde een macro AUC van 0,9025 op de validatieset, getraind op 22.466 röntgenfoto's van VinBigData en OpenI. Het project kostte ongeveer $300 op RunPod en is een onderzoeksprototype, geen klinisch apparaat.
Van oktober 2025 tot april 2026 bouwde de auteur een onderzoeksprototype dat een thoraxfoto analyseert en zes onafhankelijke waarschijnlijkheden (0-1) geeft voor pathologieën: cardiomegalie, atelectase, consolidatie, pleuravocht, pneumothorax en longoedeem. De aanpak maakt gebruik van een bevroren Microsoft RAD-DINO-MAIRA-2-encoder (DINOv2 voorgetraind op ongeveer 1,4 miljoen röntgenfoto's) met een kleine head (LayerNorm → Linear(768→256) → GELU → Dropout → Linear(256→6)), waarbij slechts 199.942 van de 86,8 miljoen parameters worden getraind. De training gebruikte AdamW, batchgrootte 64, bf16-precisie en kostte ongeveer $300 op een A100 80GB op RunPod. De gegevens waren afkomstig van VinBigData (15.000 afbeeldingen) en OpenI (7.466 afbeeldingen), waarbij OpenI-labels werden geëxtraheerd via regelgebaseerd parseren van radiologieverslagen, wat resulteerde in 22.466 afbeeldingen, verdeeld in 85/15. De auteur probeerde eerst DenseNet121, maar gaf dit op vanwege het onvermogen om zich te richten op relevante anatomie; hittekaarten toonden aandacht voor artefacten en irrelevante gebieden. Het project vermijdt expliciet segmentatie of rapportgeneratie en is niet gecertificeerd voor klinisch gebruik; de auteur zoekt een organisatie voor klinische onderzoeken om het apparaat in Rusland te registreren als een medisch hulpmiddel van klasse 3.
Bron: Habr — хаб ИИ —
origineel