ИИ Сколтеха находит аномалии на медицинских снимках

Группа ученых из Сколтеха, Philips и Франкфуртского университета имени Гете обучили системы искусственного интеллекта обнаруживать аномалии на медицинских снимках. Это упростит и ускорит диагностику заболеваний. Нейросеть обучена специально под медицинские нужды, поэтому она намного точнее определяет патологии по сравнению с конкурентными решениями. Исследование ИИ-системы опубликовано в издании IEEE Access.

«Медицинские снимки представляют сложность сразу по нескольким причинам. Во-первых, здесь аномальные случаи очень похожи на норму. Клетки есть клетки, и обычно требуется специально обученный эксперт, чтобы заметить, что что-то не так», — объяснил руководитель исследования Дмитрий Дылов.

«Кроме того, примеров медицинских аномалий для обучения нейросетей всегда недостает. А машина лучше всего справляется с так называемой бинарной классификацией, когда есть два выраженных класса, каждый из которых хорошо представлен примерами для обучения. Кошки и собаки, грубо говоря. Но в случае с медицинскими снимками, норма заведомо доминирует и лишь изредка попадаются отдельные аномалии, причем они не обязательно друг на друга похожи и потому не образуют четкого класса», ― добавил Дылов.

Ученые опробовали новый метод выявления аномалий на снимках грудной клетки и гистологических исследований ткани. Результаты показали, что ИИ стабильно превосходит аналоги, однако качество обнаруженных патологий очень сильно изменялось в зависимости от выборки изображений. Это известное свойство нейросетей. Как говорят сами исследователи, такие погрешности ничем не отличаются от анализа снимков рядовым специалистом.

Также сотрудники Сколтеха предложили варианты стандартизации подхода для обнаружения аномалий на снимках.

«Мы предлагаем использовать так называемое обучение с частичным привлечением учителя. Поскольку двух явных классов нет, задачу обычно решают моделями без учителя или ​​моделями поиска примеров не из распределения. Иными словами, аномальные случаи в обучающих данных не отмечены как таковые. Но представлять в клинической задаче класс аномалий как полное неизвестное — слишком пессимистичный сценарий, ведь врачи всегда могут показать несколько примеров. Поэтому и мы показали такие примеры сети, чтобы задействовать арсенал методов с частичным привлечением учителя. Результаты оказались весьма хорошими, причем польза есть даже от одного аномального снимка на 200 нормальных, что вполне реалистично», ― рассказали в Сколтехе.

Таким образом, выбранный учеными метод анализа снимков при помощи глубоких автокодировщиков восприятия наиболее эффективно работает в паре с медицинскими снимками, когда в распоряжении специалистов малое количество аномалий, которым можно было бы обучить нейросеть, не говоря о мелких масштабах патологий, которые необходимо выявить.