От избытка данных. Как диагностику опасных заболеваний ставят на поток

  • ИИ шагает по планете
  • В помощь рентгенологам
  • Функциональная карта мозга
  • В поисках малой патологии

От избытка данных. Как диагностику опасных заболеваний ставят на поток

В медицинских базах данных по всему миру хранятся миллиарды изображений, полученных самыми разными методами. Эти визуальные материалы идеально подходят для обучения нейросетей и автоматизации процессов диагностики. Об успехах российских ученых в этом направлении — в материале РИА Новости.

ИИ шагает по планете

Идею искусственного интеллекта (ИИ) сформулировали в середине XX века, но прорыв произошел только с появлением современных вычислительных мощностей. Сейчас ИИ обыгрывает человека в шахматы, управляет беспилотниками, распознает лица и голоса, улучшает фотографии и решает еще множество зачастую незаметных для нас задач.

Большие перспективы у ИИ в медицине: этому способствуют новое диагностическое оборудование и, как следствие, лавина разнообразных данных. Объем визуального контента, а вместе с ним и нагрузка на врачей-диагностов, растут в геометрической прогрессии. С 1980-х ученые занимаются созданием автоматизированных комплексов обработки радиологических снимков. Однако клинические исследования показали: программы в лучшем случае не помогают рентгенологам, в худшем — усложняют им задачу из-за высокого процента ложноположительных диагнозов.

Прогресс наметился в последние годы — благодаря кратному увеличению мощности серверов и графических процессоров. Новое железо дает импульс развитию нейросетей глубокого обучения. В 2012-м появился термин радиомика — наука по работе с большими визуальными данными в медицине. Традиционный ИИ анализирует изображения, опираясь на известные исследователям признаки. Метод же глубокого машинного обучения заключается в том, что нейросеть сама извлекает признаки из массива информации и предлагает решение задачи.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

В помощь рентгенологам

Идею анализа рентгеновских снимков Николай Староверов с коллегами начали реализовывать в 2017-м, еще на старших курсах ЛЭТИ в Санкт-Петербурге. Они хотели научить ИИ определять патологии легких.

Староверов получил под эту задачу грант РФФИ, на который закупил компьютерное оборудование. Программные же инструменты в большинстве своем были в публичном доступе, в библиотеках для создания нейросетей. Ученые берут там готовые решения, дорабатывают и встраивают в собственную архитектуру (именно она в значительной степени и служит ноу-хау). Медицинские данные тоже использовали открытые или добыли через знакомых врачей. Сперва информации не хватало.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Ассистент кафедры электронных приборов и устройств СПбГЭТУ «ЛЭТИ» Николай Староверов

После нескольких докладов на конференциях проект Староверова заметили в московской компании «Мед-рей», которая создает системы автоматизации хранения и обработки медицинских снимков. Предприниматели решили инвестировать в исследование молодых ученых, чтобы в будущем получить отечественный модуль, который можно внедрить в их систему. И предоставили 1,6 тысячи рентгеновских снимков легких, уже размеченных врачами. На этом массиве нейросети обучались выявлять патологии: пневмонии, ателектаз, гидроторакс, очаговые тени в легких, даже переломы ребер.

«Обучение довольно долгое, но уже год назад мы достигли хороших результатов. Программа определяет норму в 97 процентах случаев. С патологиями хуже — точность доходит пока до 75 процентов, в случае эмфиземы легких — до 90. Нужно улучшать методы предварительной обработки изображений», — рассказывает Николай Староверов, ассистент кафедры электронных приборов и устройств СПбГЭТУ «ЛЭТИ».

Приходится очищать снимки от посторонних шумов — например, туда могут попасть многочисленные провода, которыми опутан пациент в реанимации. Сложность и с верификацией начальных данных, поясняет ученый, ведь врач и сам иногда ставит неверный диагноз.

Технически все выглядит просто: диагност открывает снимок на экране, включает опцию ИИ и, если обнаружена патология, смотрит более пристально. Это поможет при работе с большим числом изображений.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Вирусная пневмония на рентгеновском снимке

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Ателектаз легких на рентгеновском снимке. Белая полоса слева

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Обнаруженный нейросетью ателектаз

Вирусная пневмония на рентгеновском снимке

Ателектаз легких на рентгеновском снимке. Белая полоса слева

Обнаруженный нейросетью ателектаз

«За день у рентгенолога бывает более полусотни пациентов, постепенно он теряет концентрацию. А программа сделает для него начальную диагностику, тем самым взяв на себя часть труда», — говорит ученый.

Во время пандемии COVID-19 появилось очень много снимков легких. Многие занялись их анализом, возникла конкуренция. «Наше преимущество в том, что мы выявляем несколько разных патологий. Следующий шаг — определять злокачественные опухоли», — поясняет Староверов. Он приводит в пример очаговые тени на снимках, которые свидетельствуют либо о туберкулезных поражениях, либо об онкологии.

К лету разработчики надеются достичь нужной точности в анализе снимков, после чего можно приступить к созданию коммерческого продукта. Но это уже дело инвесторов, а исследователи займутся другими задачами.

Функциональная карта мозга

В Сколтехе работают с изображениями и сигналами головного мозга, получаемыми различными методами — такими как электроэнцефалография, магнитно-резонансная томография (МРТ), функциональная магнитно-резонансная томография — фМРТ, функциональная ближняя инфракрасная спектроскопия (fNIRS), ай-трекинг (по движению глаз), интракраниальная ангиография, магнитная энцефалография. Сначала данные нужно почистить от шумов и внешних наведенных полей, затем — подготовить к дальнейшему анализу глубокими нейросетями. Это программы, которые сами выявляют набор признаков в массиве и передают их дальше для анализа.

«Классическая задача — классификации, когда требуется отличить патологию от нормы. Другой подход — количественный, когда нужно спрогнозировать, что будет у пациента с речью, например, через год. Нейросети могут картировать разные функциональные отделы мозга, а также делать описания снимков», — рассказывает кандидат физико-математических наук биофизик Максим Шараев, старший научный сотрудник Центра исследований искусственного интеллекта.

Ученые работают с Центром нейрохирургии имени академика Н. Н. Бурденко над системой, которая автоматизирует один из важных подготовительных этапов при операциях на мозге.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

«Первым интерес проявил Давид Пицхелаури, заведующий отделением глиальных опухолей. Это ученый с мировым именем, он умеет ставить задачи и оценивать их востребованность в медицине», — отмечает Шараев.

Речь идет о картировании коры головного мозга по данным фМРТ. Это поможет хирургу точнее определить, какую зону черепа вскрывать, а во время операции он будет видеть, какие отделы нельзя затрагивать, чтобы не повредить жизненно важные функции. Сейчас это выясняют опытным путем. Врач электродом касается мозга и находит, например, моторную область, отвечающую за движения, или речевую — пациент при этом в сознании и отвечает на вопросы. Операции длятся обычно много часов, иногда целый день. Предоперационная карта мозга значительно сократит время.

«Уже сейчас хирург может сопоставлять на мониторе два изображения — исходное и картированное. В идеале мы хотим создать нейронавигацию, чтобы видеть проекцию отделов на мозге прямо во время операции», — говорит биофизик.

В поисках малой патологии

Тот же подход ученые используют для решения еще одной задачи — поиска малых патологий, вызывающих эпилепсию. Речь об участках серого вещества миллиметрового размера с нарушенной организацией нейронов, из-за которых у детей развиваются эпилептические припадки. Такую форму болезни называют фокальной — в отличие от генерализованной, характеризующейся аномальной активностью во всем объеме мозга. Если удалить этот центр эпилепсии, болезнь проходит: ребенок догоняет сверстников в развитии, взрослый больше не нуждается в лекарствах. Операции успешны в 90 процентах случаев при верной диагностике.

В России не хватает специалистов по диагностике фокальной эпилепсии, и сам анализ занимает много времени, ведь врач на множестве изображений должен заметить очень маленькую область с размытыми границами. Иногда требуется консилиум.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Насколько сложно диагностировать фокальную эпилепсию показано на этих изображениях. Слева — хорошо видно белое пятно опухоли, справа — фокальная кортикальная дисплазия, которую может различить только специалист

В мире есть несколько автоматизированных решений похожих задач, причем два сертифицированы американским FDA. Но их возможности ограничены, есть недостатки. Поэтому ученые из Сколтеха решили создать свою модель. Данные и экспертизу им предоставили специалисты из Научного центра акушерства, гинекологии и перинатологии имени академика В. И. Кулакова.

«За два года мы собрали качественный набор данных — снимки более 200 пациентов с подтвержденными диагнозами. Каждое изображение размечено рентгенологами. Мы обучили программу очерчивать примерные области мозга для поиска патологий. Врач их анализирует и сам ставит диагноз», — объясняет Максим Шараев.

Ученые используют сверхточные нейросети (3D CNN) для работы с объемными изображениями (технически это массив двумерных снимков головы). Другой подход, позаимствованный у беспилотных автомобилей, — облака точек, когда область представлена не плотным, а разреженным набором значений. Это существенно экономит оперативную память и вычислительные ресурсы видеокарты, на которой обучается нейросеть.

От избытка данных. Как диагностику опасных заболеваний ставят на поток

Выявление аномальных участков мозга, связанных с эпилепсией, с помощью нейросети

«Есть много открытых библиотек, откуда мы берем заготовки, собираем архитектуру нейросети, а потом обучаем ее. Чем она сложнее, тем больше нужно времени. В каждом блоке модели огромное число параметров, которые нужно подобрать. На вход подаем изображения — на выходе получаем предсказания. Необязательно, чтобы они были очень точными, достаточно показать примерную область поиска. Главное для врача — с такой подсказкой не пропустить патологию», — говорит ученый.

Вместе с коллегами по гранту Фонда Сколково специалисты из Сколтеха разработали платформу с удобным интерфейсом, которая позволяет хранить все нужные данные, размечать их, показывать карту вероятности нахождения патологии. Врач может ее перемещать, чтобы получше рассмотреть аномалии.

Сейчас готов прототип системы, после доработки из него вырастет стартап. Авторы зарегистрируют патент, протестируют изобретение в реальных условиях и выйдут на рынки.

Ваш браузер не поддерживает данный формат видео.

Добавить комментарий

Adblock
detector