Создание латентного пространства для обнаружения общей девиантности пациента и нахождения похожих нозологий для КТ грудной клетки с помощью Unsupervised metric learning

Создаваемые модели искусственного интеллекта эффективно решают специализированные медицинские задачи, используя методы, адаптированные к конкретным заболеваниям. Однако ввиду широкого разнообразия анатомических структур различных патологий данный подход не позволяет решать вопрос об определении общей девиантности пациента. Создание алгоритма для определения общего состояния грудной клетки человека сделает возможным обнаруживать те отклонения, которые тяжело выделить отдельными алгоритмами, нацеленными на конкретные нозологии. В связи с тем, что создание модели с высокой обобщающей способностью требует большого количества данных, в этом исследовании применяется метод, который позволяет использовать медицинские данные без разметки. В качестве решения предлагается обучение модели с помощью unsupervised metric learning, что позволит получить некоторое скрытое пространство, состоящее из эмбеддингов медицинских изображений. Цель данного исследования получить как можно более точное представление реальных данных в латентном пространстве и подобрать метрику, позволяющую находить пациентов с похожими патологиями. Главным вызовом в создании такого решения является привлечение внимания модели именно к нозологиям, а не другим признакам, позволяющим различать пациентов, например, первичным и вторичным половым признакам.