Генеративный искусственный интеллект (ИИ) — это быстро развивающаяся инновация с далеко идущими последствиями. Тексты, созданные искусственным интеллектом (например, ChatGPT), получили восторженные отзывы за реалистичность повествования и диалогов. Аналогичным образом, изображения, созданные ИИ (например, дипфейки), вызвали интерес благодаря своей фотореалистичности. Генеративные модели ИИ могут использоваться в медицине для создания больших объёмов клинических данных (сбор которых в противном случае был бы дорогостоящим и трудоёмким процессом) для исследования и разработки клинических инструментов и моделей. Применили генеративный искусственный интеллект для создания синтетических изображений барабанной перепонки (БП) с целью разработки диагностического инструмента для выявления среднего отита.
Изображения барабанной перепонки пациентов, которым в период с ноября 2019 года по сентябрь 2020 года была проведена миринготомия с установкой тимпаностомической трубки, были получены с помощью 0-градусного 2,7-миллиметрового телескопа Хопкинса, прикреплённого к камере высокого разрешения. Из этой базы данных изображений был выделен набор изображений для проверки модели, которая не зависела от разработки модели. Используя эту базу данных, разработали генеративно-состязательные сети (GAN) для создания синтетических изображений нормальной и аномальной барабанной перепонки. При разработке GAN использовалась архитектура StyleGAN2-ADA (NVIDIA); подробности разработки и валидации были описаны в других источниках. Институциональный наблюдательный совет Массачусетской больницы общего профиля Бригама счёл это исследование не требующим рецензирования.
Эти результаты показали, что при применении к проверочному набору из 30 реальных МРТ-изображений модель с синтетическими изображениями превзошла модель с реальными изображениями в способности отличать нормальные МРТ-изображения от аномальных (AUC 0,94 против 0,87). Повышение производительности, вероятно, связано с большим объёмом обучающих данных, что позволило модели научиться лучше различать нормальные и аномальные изображения. Хотя этот первый этап проверки был многообещающим, прежде чем рассматривать возможность использования таких моделей, необходимо провести дополнительную проверку (например, на других группах пациентов и/или с использованием данных из других учреждений).
