qsh-medical-cxr14-fedavg-resnet18
поиск плеврального выпота на рентгене в ONNX
2 мин чтенияобновлено
Компактная модель классификации изображений от Daemons-Q, которая определяет наличие плеврального выпота (жидкости в плевральной полости) по фронтальному рентгеновскому снимку грудной клетки. В основе лежит классическая свёрточная архитектура ResNet-18 (около 11,17 млн параметров), обученная с нуля методом FedAvg (федеративное обучение, при котором модель тренируется на распределённых данных без их объединения на одном сервере) по симуляции четырёх больниц. В отличие от тяжеловесных моделей, этот вариант работает с одноканальным входом разрешением 224×224 пикселя, выдаёт один логит и сразу доступен в формате ONNX, включая квантованную int8-версию. Пригодится исследователям и разработчикам для экспериментов с федеративным обучением, приватными вычислениями и инференсом в браузере.
Ключевые особенности
- Обучена по протоколу FedAvg (12 раундов) на выборке NIH ChestX-ray14 с разбиением пациентов на четыре виртуальные клиники с разной долей снимков в проекциях AP и PA.
- Компактный размер (~11,17 млн параметров) и готовый экспорт в ONNX (включая int8-версию и отдельный экстрактор признаков
features.onnxна 512 фич). - Показывает AUROC 0.806 на официальном тестовом сплите NIH ChestX-ray14 при работе с одним целевым признаком (Effusion), что выше базового ориентира Wang et al. (0.7585).
- Создана как открытый компонент демонстрационного пайплайна QSMPC-QKD-QHE-AI-Hybrid для задач безопасной и квантово-устойчивой оркестрации ИИ.
Что можно сделать
- Использовать
features.onnxи его int8-копию как готовый экстрактор признаков для обучения лёгких классификаторов прямо в браузере или под шифрованием. - Воспроизвести и сравнить поведение федеративного обучения при неравномерном распределении проекций снимков (AP против PA) между клиниками.
- Протестировать локальный или клиентский инференс медицинских пайплайнов на CPU без необходимости поднимать тяжёлый PyTorch-стек.
Пример
Подготовка снимка перед подачей в ONNX-граф: исходный 1024 px PNG нужно уменьшить до 224×224 пикселей билинейным фильтром Pillow и нормализовать значения пикселей делением на 255 (остальную нормализацию выполняет сам граф). На выходе модель возвращает один логит для класса Effusion, при этом int8-версия почти не теряет в качестве (AUROC 0.8063 против 0.8065 у исходного графа).
Подробнее
Метрики на тесте (25 589 снимков): общий AUROC — 0.8065, AUROC для int8 — 0.8063, AUROC для проекции PA — 0.8428, для проекции AP — 0.7741.Чувствительность в рабочей точке (логит -2.285): 0.883, специфичность: 0.549.
Критично соблюдать препроцессинг: при смене фильтра ресайза с Pillow bilinear на PyTorch interpolate без сглаживания меняется от 182 до 620 решений на тестовой выборке.
Ограничения: модель предназначена исключительно для исследований и демонстраций, не является медицинским изделием и не подходит для клинической диагностики.










Комментарии