
Точность работы нейросетей в медицине не всегда зависит от увеличения количества исходных данных, а в нескольких случаях их большее количество только ухудшает работу искусственного интеллекта. К такому выводу пришла группа ученых Пермского государственного национального исследовательского университета (ПГНИУ) и Института проблем точной механики и управления РАН. Результат, по мнению ученых, больше зависит от архитектуры нейросети, состава исходных изображений и способа их преобразования.
Авторы проверили популярное мнение о том, что чем больше разнообразных примеров увидит нейросеть во время обучения, тем надежнее она будет работать. Чтобы искусственно расширить обучающий набор нередко прибегают к таким приемам, как поворот или кадрирование фотографии, изменение ее яркости, контрастности или цветового баланса.
Для эксперимента использовали два открытых набора данных. Первый включал более 20 тысяч фотографий ног пациентов, распределенных по семи классам международной системы CEAP, применяемой для описания хронических заболеваний вен. Второй состоял из 6786 дерматологических изображений восьми категорий.
Исследователи сравнили 12 архитектур нейросетей, включая классические сверточные модели и трансформеры. Объем обучающих данных увеличивали на разных уровнях — от 0 до 100 %. Каждую конфигурацию запускали по 20 раз, чтобы оценить не только среднюю точность, но и устойчивость результата. Всего было проведено 5280 обучений.
Эксперимент не подтвердил, что увеличение количества изображений одинаково полезно для всех моделей. Добавление 10 % данных повысило точность только у трех из двенадцати нейросетей на основном наборе и у пяти из двенадцати — на втором. Для остальных моделей результат не изменился или даже ухудшился.
При максимальном расширении второго набора десять из двенадцати моделей показали точность на 1–5 процентных пунктов ниже исходной. Это не означает, что синтетические данные неэффективны сами по себе, отмечают авторы исследования. Их польза зависит от архитектуры нейросети, состава исходного набора, способа преобразования изображений и особенностей задачи — иначе может вызвать искажения. А в медицинских задачах это особенно важно: малозаметная деталь изображения может иметь диагностическое значение.
«В медицинских задачах важно не просто увеличить число изображений, а проверить, помогает ли это нейросети точнее различать состояния пациента. Мы увидели, что одинаковый способ расширения данных может давать разный результат для разных моделей. Поэтому универсального рецепта здесь нет: подготовку изображений нужно подбирать под конкретную задачу и проверять ее эффективность в серии экспериментов. Такой подход помогает избежать ложной уверенности в надежности алгоритма», — пояснила руководитель исследования, директор физико-математического института ПГНИУ, доктор физико-математических наук, доцент Марина Барулина.



