В статье рассматривается задача прогнозирования патологических состояний желудочно-кишечного тракта по эндоскопическим изображениям с использованием моделей машинного обучения. Актуальность исследования связана с необходимостью повышения воспроизводимости предварительной оценки эндоскопических данных и снижения риска пропуска клинически значимых изображений при большом объеме визуальной информации. Цель работы состоит в разработке и экспериментальной проверке ресурсно-эффективной схемы классификации эндоскопических изображений, учитывающей среднее качество распознавания и надежность автоматического решения для патологических классов. В качестве экспериментальной базы использован открытый набор Kvasir-v2, включающий 8000 изображений восьми классов. Сравнивались простая сверточная нейронная сеть, MobileNetV2 и EfficientNetB0 с переносом обучения. Дополнительно предложена селективная схема, объединяющая прогнозы двух наиболее сильных моделей и направляющая сомнительные изображения на ручную проверку. Эксперимент показал, что EfficientNetB0 достигает средней F-меры 0,8497 на тестовой части, а объединенный прогноз повышает значение показателя до 0,8681. Предложенная селективная схема обеспечила среднюю F-меру 0,9581 среди автоматически принятых решений и снизила число опасных автоматических ошибок с 64 до 10. Полученные результаты показывают перспективность клинически ориентированного подхода, при котором автоматическая классификация дополняется контролем уверенности и оценкой риска пропуска патологического состояния.
The article addresses the problem of predicting pathological conditions of the gastrointestinal tract from endoscopic images using machine learning models. The relevance of the study is determined by the need to improve the reproducibility of preliminary assessment of endoscopic data and to reduce the risk of missing clinically significant images when processing large volumes of visual information. The aim of the study is to develop and experimentally evaluate a resource-efficient classification scheme for endoscopic images, taking into account not only the average recognition quality, but also the reliability of automatic decisions for pathological classes. The open Kvasir-v2 dataset containing 8000 images from eight classes was used as the experimental basis. A simple convolutional neural network, MobileNetV2, and EfficientNetB0 with transfer learning were compared. In addition, a selective scheme was proposed, combining the predictions of the two strongest models and sending uncertain images for manual review. The experiment showed that EfficientNetB0 achieved a macro-F-score of 0.8497 on the test set, while the combined prediction increased this value to 0.8681. The proposed selective scheme provided a macro-F-score of 0.9581 among automatically accepted decisions and reduced the number of dangerous automatic errors from 64 to 10. The obtained results demonstrate the potential of a clinically oriented approach in which automatic classification is supplemented by confidence control and assessment of the risk of missing a pathological condition.
The authors declare that there are no conflicts of interest present.