Что нужно знать, когда вы слышите про некий алгоритм, научившийся диагностировать онкозаболевания. И чем реально полезен искусственный интеллект в медицине
Технологии в медицину приходят неравномерно. В одних направлениях, как в кардиологии, уже используются и развиваются боты-ассистенты, которые умеют анализировать электрокардиограммы.
В других, как в онкологии, — «оцифровка» биоматериалов, по которым врач дает заключение, принята далеко не везде.
ТАСС — о том, как эта ситуация начала меняться и каким образом изменения влияют на развитие алгоритмов, помогающих врачу поставить диагноз.
Разработчики UNIM создали нейронную сеть, которая умеет определять насколько быстро растет опухоль. Sk.ru
Как биоматериал становится файлом
«Здесь врачи отвечают на вопрос: есть у пациента рак или нет», — Алексей Ремез, руководитель гистологической лаборатории UNIM, расположенной в технопарке «Сколково», встречает нас у входа, выдает бахилы и начинает экскурсию.
Таких лабораторий, куда привозят биоматериалы пациентов онкодиспансеров, много по всей стране.
Схема следующая: врач-онколог назначает пациенту, обратившемуся, скажем, с подозрительной родинкой, проведение биопсии. Этот полученный материал отправляет в лабораторию.
Врачи-патоморфологи обрабатывают и исследуют ткань, чтобы понять: что за новообразование — злокачественное или доброкачественное.
Основной метод исследования не меняется десятки лет: доктор разглядывает ткань в микроскоп и дает заключение. Технологий, способных заменить в этом деле врача с микроскопом, — нет. И в ближайшее время, по мнению Ремеза, не появится. Зато есть другие технологические решения, которые, на первый взгляд, выглядят просто, но могут радикально изменить медицину.
«Наша лаборатория — первая в России, где все диагностические исследования проводятся в цифровом виде, — говорит Алексей Ремез. — Во всех российских патоморфологических лабораториях диагностика проводится в аналоговом виде и предмет исследования — это физическое стекло.
Слышали про случаи, когда человек засомневался в диагнозе, поставленном в онкодиспансере, и поехал перепроверять в израильскую клинику? С чем он едет туда — с вот этим стеклом.
Смысл нашей работы не в том, чтобы стать одной из лабораторий, а в том, чтобы вывести этот этап диагностики на другой уровень с помощью технологий».
Сначала биоматериал поступает на регистрацию, а оттуда — к врачу-патоморфологу. Доктор работает с ним, проводит вырезку, первичное исследование — все, как и в любой лаборатории. А вот дальше начинается «оцифровка» процесса.
«Биоматериалы размещаются в маркированные кассеты со штрихкодами, а также наносятся на стекла с такими же метками. И это тоже новация, как бы странно это ни звучало, — продолжает Алексей.
— В большинстве лабораторий блоки и стекла подписывают карандашом. «Цифровые» метки исключают возможность того, что на каком-то этапе анализы просто могут перепутать. Так, хотя и редко, случается, а это вопрос жизни пациента.
Снимки материалов сразу переводятся в электронный вид».
Все машины в лаборатории, через которые проходит материал, — их около десятка — связаны в единую систему с помощью программного обеспечения. Каждое действие записывается в историю в электронном виде. Эта «оцифровка» позволяет привлечь к диагностике врачей из любой точки мира.
«Исследование каждого материала проводится с привлечением двух и более экспертов. Благодаря «оцифровке», мы можем привлекать лучших специалистов по конкретному направлению. Если наш врач подозревает меланому — мы обращаемся к онкологу, который специализируется на раке кожи».
Чуда нет. Есть ошибки
Поставить диагноз в онкологии очень сложно. Ошибочные диагнозы — не редкость. У пациента есть рак, а врач выдает заключение, что рака нет. Или рака нет, а пациент получает такой диагноз, а вслед за ним химиотерапию. Чаще врач верно определяет, что рак есть, но ошибается с его типом.
«Это известная проблема, — говорит Ремез. — В России не проводили исследования, сколько неверных диагнозов. А в скандинавских странах озаботились этим вопросом. Собрали консилиум докторов и проверили какое-то значительное количество медицинских заключений.
Речь идет о 30% ошибок в той группе, которую выбрали для исследования. В целом можно говорить о десятках процентов ошибок. Чаще всего ошибки возникают не в определении: есть или нет злокачественный процесс.
А в определении фенотипа рака — это намного труднее, чем ответить на вопрос, что за ткань врач видит в микроскопе. Не все фенотипы просто известны медицине.
Бывает, что врач сталкивается с неизвестным ему типом, — его зарегистрируют через несколько лет, но пациент болеет сейчас. И если неверно определить фенотип, то лечение, скорее всего, будет неэффективным».
Недавно в лабораторию приехал мужчина из небольшого города. У его жены обнаружили опухоль мозга, сделали операцию, удалили, отправили на исследование в одну лабораторию. Там дали заключение, что эта опухоль злокачественная: нужно продолжать лечение. Он решил проверить и поехал по другим лабораториям, в том числе обратился в сколковский UNIM.
«В нашей лаборатории дали заключение, что рака нет. И еще в одной подтвердили, что это доброкачественный процесс. Если бы он не засомневался, его жена уже получала бы химиотерапию или лучевую терапию. Или другие виды лечения с очень серьезными побочными эффектами».
Другая история. «Десятилетнему мальчику поставили диагноз — лимфома. Он получил несколько курсов химиотерапии. А выяснилось, что он не болел никакой лимфомой. У нас проанализировали первичный материал. Потом мальчику провели повторную биопсию. Проанализировали все материалы в совокупности и дали заключение, что рака нет».
Когда Ремез слышит истории про чудеса в духе: «Мужчине поставили рак, ему оставалось максимум полгода, он уехал жить из города в деревню и уже пять лет чувствует себя хорошо», — он думает, что это тоже врачебная ошибка.
Нейросети и боты-рекламщики
Что еще позволяет сделать «оцифровка» медицинских данных? Создать алгоритм, который может помочь доктору в диагностике. Врач исследует массу характеристик опухоли. Недавно разработчики UNIM создали нейронную сеть, которая умеет определять, говоря медицинским языком, индекс пролиферативной опухоли Ki67. А если проще — насколько быстро опухоль растет.
«Нейросеть считает общее количество клеток в материале и, определив, сколько из них экспрессирует, дает эту информацию, — рассказывает Ремез.
— До появления алгоритма посчитать это при помощи классических математических методов было сложно. Теперь врач может просто «дать» программе снимок и нажать на кнопку.
Обычно работа со снимком для определения этой характеристики занимала 15 минут, а теперь — до 30 секунд».
Нейросеть не отвечает на вопрос — есть рак или нет. Но при этом скорость роста опухоли — диагностически значимый параметр.
«Если доктор сомневается, злокачественная опухоль или доброкачественная, — он может посмотреть на эту характеристику. Высокий индекс — косвенный признак злокачественного процесса. Ткань в норме не должна так быстро делиться».
При этом, уточняет Ремез, ни один алгоритм еще не может заменить врача в онкодиагностике. Нейросети могут подсказывать, советовать, видеть точечные характеристики, но не давать заключения. Это важно знать, чтобы не стать обманутым.
«Один врач увидел чат-бота в Telegram, который предлагал следующее: сфотографировать родинку и отправить на проверку. И тут же придет ответ: есть ли подозрения на злокачественный процесс. Это запредельная идея! Доктор положил на руку пряник, сфотографировал, отправил. Бот ответил, что это, возможно, серьезное поражение и нужно обратиться к врачу, — ну, и вот адрес нашей клиники».
Чему научатся алгоритмы через десять лет
Применение искусственного интеллекта в патоморфологии слабо развито. В других медицинских направлениях все иначе.
«Очень активно развивается применение искусственного интеллекта в тех областях диагностики, которые уже накопили много «оцифрованных» данных, — объясняет Алексей Ремез. — Так происходит в рентгенологии, уже пару десятков лет все рентгены оцифровываются.
Похожая ситуация в кардиологии: ленты ЭКГ также давно оцифровываются. В кардиологии данные, нужные для диагностики, намного проще, чем в патоморфологии, — вариативность меньше и сами они попроще. В патоморфологии речь идет о гигабайтах данных.
В кардиологии — о килобайтах, в рентгенологии — о мегабайтах, если говорить про одно исследование.Их проще нарабатывать, обрабатывать, с ними проще работать. Регуляторы пока медленно принимают эти технологии.
А когда они разрешат использование алгоритмов в кардиологии, в больницах ленту ЭКГ будет оценивать искусственный интеллект».
В онкодиагностику технологический прогресс тоже будет приходить, но медленее.
«Многие разработчики занимаются нейросетями для медицины, в том числе и для патоморфологии, — говорит Ремез. — Через десять лет будут нейросети, которые смогут «видеть» разные характеристики опухоли.
Будут разные системы поддержки принятия врачебных решений: и в диагностике, и в лечении. Алгоритмы смогут анализировать первичные медицинские данные.
Это вещи, которые уже появились и будут становиться лучше».
- Анастасия Степанова
- Источник: tass.ru
Искусственный интеллект научился выявлять рак кожи — BBC News Русская служба
- Джеймс Галлахер
- Медицинский и научный корреспондент Би-би-си
26 января 2017
Автор фото, SPL
Искусственный интеллект оказался способен опознать симптомы рака кожи по фотографии с такой же точностью, как специалисты-онкологи, сообщили ученые.
Группа ученых из Стэндфордского университета назвала результаты этого исследования «невероятно захватывающими» — теперь им предстоит протестировать открытие в клинических условиях.
Ученые верят, что использование искусственного интеллекта произведет революцию в системе здравоохранения, когда ранняя диагностика рака окажется доступна каждому при помощи смартфона.
В британской благотворительной организации Cancer Research UK полагают, что это открытие также будет полезным для врачей.
Ученые показали программе 129450 фотографий кожи с проявлениями рака, сопровождавшихся описаниями изображенного на них типа опухоли. Затем искусственный интеллект научился самостоятельно различать самый распространенный тип рака кожи — карцинома — и самый опасный — меланома.
На меланому приходится всего один из 20 случаев рака кожи, но три четверти всех смертельных случаев.
Автор фото, Stanford University
«Мы обнаружили, что, в целом, не отстаем от квалифицированных дерматологов», — сказал в интервью Би-би-си исследователь Андре Эстева.
Компьютерная программа не может поставить окончательный диагноз, так как для этого требуются результаты биопсии. По словам Эстева, искусственный интеллект теперь должен пройти клинические испытания.
«Мы считаем, что применение искусственного интеллекта в здравоохранении — это невероятно перспективная область исследований, результаты которой могут принести огромную пользу обществу, — считает ученый.
— Один из путей развития этой технологии […] — это применение алгоритма искусственного интеллекта в мобильных устройствах.
Но для этого нам необходимо будет создать мобильное приложение и протестировать его точность».
Успехи ученых в машинном обучении уже привели, например, к тому, что искусственный интеллект одержал победу над одним из лучших в истории игроков в го.
А команда врачей в Лондоне обучила искусственный интеллект предсказывать сердечную недостаточность.
«Использование компьютерной программы для диагностики рака кожи — очень интересное открытие, которая может помочь дерматологам и семейным врачам в постановке диагноза.
Маловероятно, что искусственный интеллект сможет заменить другие методы диагностики, который использует врач, но в будущем это открытие сможет помочь семейным врачам определить, к какому специалисту направить пациента», — считает Яна Уитт из благотворительной организации Cancer Research UK.
Как искусственный интеллект научился диагностировать онкологию — Трибуна на vc.ru
Рассказываем, как искусственный интеллект меняет медицинскую отрасль и отвечаем на главные вопросы о технологии.
{«id»:304844}
Главной причиной смерти от онкологических заболеваний в 2020 году стал рак легкого — 18% от общего числа смертей от рака. Вероятность летального исхода при таком диагнозе напрямую зависит от того, на какой стадии врач обнаружил болезнь.
Например, показатель пятилетней выживаемости на первой стадии онкологии составляет 92%, а на четвертой уже менее 15%. В общем, дальнейшее лечение и жизнь пациента напрямую зависит от того, когда онкология была обнаружена и смогли ли в принципе ее обнаружить врачи.
И со вторым пунктом есть проблемы: например, международные исследования* показывают, что рентгенологи пропускают рак легкого на КТ исследованиях более, чем в 70% случаев.
Мы пишем об этом не для того, чтобы поругать медицинскую систему — с ней все хорошо. Но несмотря на стремительное развитие инструментов диагностики, пока врачи не могут обнаруживать патологию в 100% случаев.
Онкологию пропускают во всем мире по разным причинам — загруженность врачей, недостаток квалифицированных специалистов, но главное — рак легкого на ранних стадиях выглядит как небольшое изменение (иногда несколько миллиметров), которое трудно определить. Из-за поздней постановки диагноза значительно увеличивается стоимость лечения.
Например, лечение рака легкого на 1-2 стадиях обойдется практически в 30 раз дешевле, чем лечение на четвертой стадии.
Окей, проблема обозначена — вопрос в ее решении. Для нашей команды в далеком 2017 году этот вопрос звучал так: а может ли искусственный интеллект повысить эффективность диагностики?
Так появилась идея продукта Botkin.AI: в 2017 году мы сконцентрировались именно на анализе медицинских изображений. Начинали с поиска признаков онкологических заболеваний на КТ органов грудной клетки. Сейчас плафторма Botkin.AI работает с КТ органов грудной клетки, КТ головы, маммограмами. И мы постепенно расширяем список патологий.
Генеральный директор Botkin.AI Сергей Сорокин на G20 Innovation League
Мы создали платформу, которая позволяет обрабатывать медицинские изображения, выявлять и описывать признаки патологий. Анализ происходит с помощью искусственного интеллекта, который позволяет распознавать признаки патологии на ранних стадиях.
Платформа Botkin.
AI проводит ретроспективный анализ (пересматривает изображения из архива) и проспективный (анализ “здесь и сейчас”: только что сделанный снимок отправляется в облачную часть платформы, анализируется, и врач получает обработанный вариант).
Платформа интегрируется с архивом изображений одной или нескольких клиник, получает исследования без персональных данных пациентов. Снимок обрабатывается не более чем за 6 минут и отправляется обратно уже с описанием и цветовым выделением патологий.
Из медицинского хранилища изображение отправляется на облачную платформу, где с помощью искусственного интеллекта проходит обработку. Алгоритмы определяют подозрительные области на изображении. На обработку одного снимка уходит от 1 до 6 минут. Далее врач может зайти в наш облачный просмотрщик, чтобы увидеть результаты.
На начальной странице показывается список исследований, для каждого из них отображается свой статус (зеленыйкрасный кружок), в зависимости от наличия и отсутствия патологии. В самом исследовании — снимок с цветовой разметкой подозрительных участков. На боковой панели есть окно, в котором указываются количественные параметры — объем поражений, плотность.
Не совсем. Все изображения действительно выгружаются на платформу Botkin.AI, например, из центрального медицинского архива. Но дальше они обрабатываются в автоматическом режиме без участия человека.
И даже если на каком-то этапе вмешается живой сотрудник, он все равно никогда не узнает, чей именно снимок перед ним. Все изображения деперсонифицируются и поступают в облако уже обезличенными — вместо ФИО пациента указывается персональный ID .
Так мы обеспечиваем соблюдение закона о защите персональных данных.
Мы выбираем патологию, с которой будем работать — этот выбор зависит от распространенности заболевания на душу населения, сложности его диагностики, а также риском пропуска при обследовании. Совместно с нашим медицинским советом решаем, какие параметры будем измерять.
Начинается этап подготовки: с экспертной группой продумываем план разметки (выделение патологий), решаем, как будут выглядеть инструменты разметки и по каким критериям будем выделять патологии.
В это время дата-сайентисты ищут открытые дата-сеты, международные источники с готовыми размеченными данными и обучают на них первичные модели искусственного интеллекта. Также мы сами собираем данные для разметки и обучения из медучреждений.
Разметка каждого исследования обязательно проверяется на соответствие утвержденному протоколу проходит двойное или тройное прочтение. И только после этого изображение отправляется для дообучение модели.
Сейчас в наших датасетах более миллиона проанализированных медицинских изображений.
ИИ действительно может “ошибиться”. В отличие от живого врача, платформа не получает исчерпывающих данных о пациенте — историю болезни и другие данные, необходимые для постановки диагноза.
Математическая модель работает только с медицинским изображением, из-за этого результат может быть неточен. Поэтому необходим контроль специалиста.
И наоборот: врач может не заметить новообразование, но его “подсветит” искусственный интеллект.
Так, использование нашей платформы увеличивает вероятность выявления злокачественного новообразования до 50%.
В период пандемии сотни тысяч россиян сделали КТ органов грудной клетки. Врачи работали в условиях тотальной загруженности, им приходилось в сжатые сроки определять степень поражения легких и подобрать лечение. При таком потоке пациентов легко просмотреть изменения, подозрительные на рак легкого, особенно на ранней стадии.
Поэтому мы решили организовать ретроспективный анализ КТ органов грудной клетки (пересмотр сделанных снимков с помощью искусственного интеллекта). Проект был реализован в Нижнем Новгороде и завершился в августе этого года. Нам удалось обработать 9,7 тысяч снимков: на 284 система обнаружила признаки новообразований, при этом 113 пациентов ранее не обращались в онкодиспансер.
Сейчас пациенты направлены на дообследования.
К двадцатому году в нашем портфеле накопились пилоты и коммерческие проекты с успешным внедрением нашей платформы в государственные и частные медучреждения Москвы, Петербурга, Челябинска, ЯНАО, Мурманска. Удалось поработать с зарубежными клиентами в Египте, Узбекистане и Бразилии.
Нет. Наша платформа — это не про замену врачей, а про качественную помощь. В России не хватает рентгенологов, особенно остро эта проблема стоит в регионах.
Часто молодому специалисту не к кому обратиться за советом в постановке диагноза — доходит до того, что снимки отправляют на пересмотр в соседний город.
И если в такой регион внедрить платформу анализа изображений, врачи смогут опираться на результаты работы платформы и не ждать помощи от коллег. Это не только разгрузит их, но и увеличит точность в постановке диагноза.
Еще одна перспективная сфера — работа с маммограмами. Здесь для постановки диагноза зачастую необходимо двойное прочтение снимка, и платформа Botkin.AI может использоваться в качестве второго мнения. Но для того, чтобы это повсеместно внедрить, нужны изменения в законодательной базе, ведь сейчас, согласно приказу Минздрава, оба прочтения должны выполнить именно живые врачи.
*По данным исследования, проведенного в рамках Международной программы ранней диагностики рака легких International Early Lung Cancer Action Program (I-ELCAP)
Нейросеть научили находить следы раковых опухолей
ТАСС, 29 июля. Математики разработали новую систему компьютерного зрения, которая может распознавать характерные черты 28 типов раковых клеток и выделять опухоли на фотографиях органов и срезов тканей. Результаты их работы опубликовал научный журнал Nature Cancer, кратко об этом во вторник сообщила пресс-служба МГУ имени Ломоносова.
«Предложенный нами метод показывает, что компьютерное зрение наряду с молекулярным профилированием можно использовать при диагностике рака.
Экспертная оценка врача остается стандартом для того, чтобы поставить окончательный диагноз, однако компьютеры уже сейчас способны помогать в решении этих задач», – рассказал один из авторов работы, ведущий специалист Европейского института биоинформатики (Великобритания) Мориц Герштунг.
В последние годы благодаря развитию математики и увеличению вычислительных мощностей компьютеров ученые могут создавать сложные системы искусственного интеллекта, которые могут выполнять нетривиальные задачи и даже мыслить творчески.
К примеру, недавно ученые создали системы ИИ, которые могут распознавать следы рака кожи, груди и некоторых других болезней и превосходят в этом отношении ведущих экспертов-онкологов.
Герштунг и его коллеги, среди которых был и студент МГУ Артем Шматко, создали еще одну подобную нейросеть.
Ее научили помогать гистопатологу в том, чтобы изучать фотографии тканей тела человека и срезов опухолей.
Нейросетеовой помощник гистопатолога
Исследователи предположили, что нейросети, на которых основаны различные автомобильные и авиационные системы компьютерного зрения, можно использовать не только для распознавания препятствий и классификации различных объектов природы, но и для того, чтобы отличать здоровую ткань от опухолей.
Руководствуясь этой идеей, ученые обработали фотографии 17 тысяч срезов опухолей и здоровых тканей из базы данных The Cancer Genome Atlas (TCGA).
Для этого снимки разбили на небольшие фрагменты размером 512 на 512 пикселей. Эти кусочки фотографий специалисты использовали для обучения нейросети Inception-V4. Она выделила на снимках более 1,5 тыс.
параметров, которые влияют на принадлежность каждого снимка к здоровым или больным тканям.
Как оказалось, эта система хорошо справлялась с задачей распознавания опухолей, в некоторых случаях превосходя по точности традиционные методы гистопатологии.
К примеру, классические методы плохо работают с твердыми опухолями, которые формируются в результате появления лишних копий хромосом и других крупных изменений генома, выдавая почти случайный ответ.
Нейросеть справляется с этой задачей в 75% случаев, благодаря чему качество диагностики может резко повыситься.
«Этот метод позволяет находить не только масштабные генетические изменения, происходящие на уровне хромосом, но и одиночные замены нуклеотидов в генах-драйверах опухолей, в том числе участков PTEN, BRAF и TP53.
Интересно, что в случае гена BRAF он показал лучшие результаты предсказания для рака щитовидной железы, чем традиционный гистопатологический подход, что говорит о возможности дальнейшего улучшения общепринятой классификации», – отметил Шматко.
Помимо этого компьютерное зрение оказалось полезным и для прогнозирования выживаемости пациентов. Оно показало себя лучше традиционных методик оценки для 10 из 16 типов опухолей.
Как надеются ученые, подобная особенность системы позволит ей, а также другим основанным на нейросетях подходам быстро проникнуть в клиническую практику и помочь врачам точнее диагностировать опухоль и подбирать правильные стратегии по лечению рака.
Рак и робот: как искусственный интеллект ставит диагноз
Злокачественные опухоли становятся причиной практически каждой шестой смерти. В 2015 году от диагностированного рака умерло 8,8 млн человек — каждый тысячный житель планеты. Онкологические заболевания занимают второе место среди основных причин смерти в мире.
В России, по данным Росстата, среди причин смерти рак тоже на втором месте. Консалтинговая компания BCG проводила для Международного медицинского кластера исследование системы здравоохранения в России и выявила ряд направлений медицины, в которых необходимо улучшать ситуацию.
На первом месте находятся онкологические заболевания.
https://www.youtube.com/watch?v=L-zYoiRTDgc
Совокупный показатель распространенности злокачественных новообразований в 2016 году составил 2403 случая на 100 тыс. населения, что выше уровня 2006 года на 38,8%. По словам директора Российского общества клинической онкологии Ивана Тимофеева, увеличение этого показателя связано с улучшением диагностики.
Есть ли возможность еще повысить точность постановки диагноза на ранних стадиях онкологических заболеваний? В онкологии стоимость диагностической ошибки особенно высока.
Специалисты отмечают, что основная сложность заключается не в обнаружении злокачественного процесса, а в выявлении его фенотипа. В последнее время ученые стали активно использовать для диагностики искусственный интеллект.
Уже доказано, что использование умных систем позволяет повысить точность диагностики: так, результаты исследования агентства Frost & Sullivan показали, что технологии искусственного интеллекта повышают точность постановки диагнозов на 30–40%.
Специалист по патологиям Энди Бек из Гарвардской медицинской школы считает, что дальнейшее использование ИИ-технологий позволит снизить уровень ошибок при диагностике на 85%.
Обучение на наглядных примерах
По данным World Cancer Research Fund, самыми часто встречающимися видами рака в 2018 году являются рак легких, рак молочной железы, колоректальный рак и рак простаты. Могут ли новые технологии помочь в диагностике этих видов рака, составляющих 48,8% от всех диагностированных в мире в 2018 году случаев?
Согласно исследованиям Американского онкологического общества в 2018 году, самая высокая онкологическая смертность — от рака легких.
Процент выживаемости при раке легких составляет 17% для мужчин и 24% для женщин: такие низкие показатели объясняются большим числом случаев диагностики рака легких на последней стадии.
Разработки для ранней диагностики рака легких ведутся активно, но, к сожалению, эффективных решений на сегодняшний день немного.
Стартап Optellum, основанный в Великобритании в 2016 году, направлен на разработку системы, позволяющей максимально быстро диагностировать рак легких. Там разрабатывают первое в мире автоматизированное программное обеспечение для оценки риска на основе компьютерной томографии.
Для обучения алгоритмов специалисты собрали самую крупную в мире кураторскую базу пациентов с опухолевыми узлами.
В отличие от врачей, не имеющих возможности определить, являются ли эти узлы безвредными, и вынужденных наблюдать за дальнейшим развитием образований, система, анализируя внутреннюю структуру утолщений, способна поставить правильный диагноз намного раньше.
Научный и технический сотрудник стартапа доктор Тимор Кадир отмечает, что система позволяет диагностировать рак на ранних стадиях более чем у 4000 больных в год, что увеличивает их шансы на выживание.
Поймать рак нейросетью: болезнь выявит искусственный интеллект
Диагностировать рак на ранней стадии поможет новая программа с искусственным интеллектом, разработанная учеными Сеченовского университета.
С ее помощью врачи могут быстро проверить кровь сразу на 14 биомаркеров и выяснить, находится пациент в группе риска или нет.
Ученые уверены, что новый вид скрининга позволит выявить болезнь до того, как она зашла слишком далеко. И спасти жизнь человека без тяжелой операции.
Четыре нозологии
Ученые Первого московского государственного университета имени И.М. Сеченова разработали программу, позволяющую выявить онкозаболевание на ранней стадии по анализу крови.
Пока таких диагностических систем не существует: для выявления болезни пациент должен пройти комплексные обследования, причем для каждого вида рака набор процедур свой. Те же анализы на онкомаркеры, которые сейчас предлагают врачи, назначаются уже после проведения биопсии, то есть тогда, когда подозрение на рак подтверждено.
Новая методика позволит, наоборот, выбрать тех пациентов, которым нужны дополнительные обследования и у которых онкологические изменения пока незначительны.
Как рассказала «Известиям» проректор по научно-исследовательской работе, руководитель Центра персонализированной онкологии Сеченовского университета Марина Секачёва, новая программа сегодня может выявить четыре распространенных вида рака на раннем этапе.
— Наша методика представляет из себя анализ данных пациентов, который осуществляется с помощью методов машинного обучения, — отметила проректор.
— Первоначально мы загрузили в программу результаты анализов пациентов с различными формами онкозаболеваний, которые учитывают 14 биомаркеров (биологических признаков, индикаторов состояния организма.
— «Известия»), а также данные людей из контрольной группы.
В базу были загружены данные 600 пациентов, которые проходят лечение в столичных онкоцентрах и клиниках, подведомственных Сеченовскому университету. На выходе искусственный интеллект предоставил ученым полную картину изменений биомаркеров, характерных для каждого исследуемого вида рака: легких, кишечника, мочевого пузыря и молочной железы.
Новая программа получила название «ОнкоПро». После того как ученые провели исследование и получили статистически достоверные данные об эффективности новой методики, они подали четыре заявки на патент.
К данному моменту запатентованы методики диагностики рака легких и толстого кишечника. В текстах патента сказано, что новый метод позволяет не только выявить онкологию на ранней стадии, но и повысить точность скрининга.
Программу станут использовать как систему поддержки принятия медицинских решений, а дальнейшие диагностические мероприятия будет назначать онколог.
Обоснованное подозрение
— В онкологии окончательный диагноз врач может поставить только после гистологического исследования — биопсии, — отметила Марина Секачёва. — Но нужны инструменты, которые позволят заподозрить у человека рак до биопсии. Скрининг по нашей методике поможет выявить пациентов из группы риска.
В дальнейшем таких пациентов направят на биопсию. Важное преимущество новой диагностической системы заключается в ее удобстве для обследуемых.
— Человеку не нужно ложиться в больницу, надо лишь прийти в клинику и сдать кровь, — рассказал «Известиям» директор Института персонализированной медицины Сеченовского университета Филипп Копылов. — Результаты будут готовы уже через два-три дня.
Подобные исследования актуальны для современной медицины, уверен старший научный сотрудник лаборатории молекулярной биотехнологии и генной инженерии Высшей медико-биологической школы ЮУрГУ Владимир Зурочка.
— Создание эффективных компьютерных моделей различных патологических состояний очень важно как для теоретической, так и для практической работы врачей.
Предложенная авторами модель диагностики онкологических заболеваний позволит сократить время от предварительного до окончательного диагноза и, несомненно, позволит выздороветь многим пациентам именно благодаря ранней диагностике и, соответственно, более раннему проведению лечебных мероприятий, — подчеркнул эксперт.
Методика уже внедрена в клиническую практику Сеченовского университета, в дальнейшем ее смогут использовать в онкоцентрах по всей стране.
Автор цитаты
Онкологические заболевания являются второй по частоте причиной смерти в России. Средний показатель заболеваемости злокачественными новообразованиями в 2016 году составил 408,6 человек на 100 тыс. населения. Средний показатель смертности — 201,6 человек на 100 тыс. населения. Онкологическая заболеваемость растет во всем мире. За последние 10 лет она увеличилась более чем на 20%.
Нейросеть научили выявлять опухоли мозга
Ученые Южно-Уральского государственного университета в соавторстве с зарубежными коллегами предложили новую модель классификации снимков магнитно-резонансной томографии на основе технологий глубокого обучения нейронной сети, которая позволяет быстрее и точнее выявлять злокачественные опухоли мозга.
Глиобластома представляет собой злокачественную опухоль мозга: происходит бесконтрольное размножение большой части клеток опухоли. Такие опухоли опасны для жизни и могут привести к частичной или полной умственной и физической инвалидности и скорой смерти.
Исследование проводилось интернациональной научной группой, состоящей из пяти представителей университетов Индии и представителей ЮУрГУ — старшего научного сотрудника кафедры системного программирования Высшей школы электроники и компьютерных наук (ВШ ЭКН), постдока Сэчина Кумара и кандидата физико-математических наук, доцента Михаила Цымблера, и было посвящено разработке методов компьютерного анализа снимков МРТ (магнитно-резонансной томографии) для выявления опухолей глиобластомы на основе технологий искусственных нейронных сетей.
Глубокое обучение является широко применяемым подходом для классификации изображений, поскольку оно способно автоматически извлекать из изображений характерные признаки для дальнейшей обработки. Корректность извлеченных признаков, однако, не гарантируется, поскольку пока не разработана соответствующая строгая математическая процедура проверки.
«В данном исследовании была предложена новая модель классификации снимков МРТ на основе технологий глубокого обучения, использующая гибридный подход. Модель предполагает выполнение классификации в три этапа.
На первом этапе выполняется предварительная обработка данных, которая предполагает извлечение признаков из изображения посредством дискретного вейвлет-преобразования (функция, позволяющая анализировать частотность данных), векторизацию изображения (делает возможным масштабирование изображения без потери качества) и конструкцию дополнительных признаков для обработки. Второй этап связан с уменьшением размерности изображений с использованием метода главных компонент и предоставляет векторы признаков уменьшенной размерности, используемые для более точной классификации изображений. Третий этап предполагает работу стека ограниченных машин Больцмана (RBM, Restricted Boltzmann machine), формирующих глубокую сеть доверия со скрытыми уровнями, которая завершает процесс классификации», поясняет Сэчин Кумар.
Как правило, глубокая сеть доверия требует большого количества скрытых слоев нейронной сети с большим количеством нейронов в каждом слое для лучшего извлечения характерных признаков из изображения.
Это увеличивает пространственную и вычислительную сложность, а также время обучения модели. Однако благодаря интеграции в модель вейвлет-преобразования были уменьшены сложность и время ее обучения.
Статистическая проверка подтвердила, что предложенная гибридная модель классификации опережает известные аналоги по времени обучения и точности классификации.
Методы и подходы, предложенные в рамках исследования, могут быть применены для разработки автоматизированных систем диагностики и выявления опухолей и других поражений клеток по снимкам МРТ.
«Хотя МРТ позволяет получать высококонтрастные снимки головного мозга, которые весьма полезны для постановки диагноза человеком, для чтения и понимания таких снимков требуются высококвалифицированные специалисты с соответствующим медицинским образованием.
Технологии искусственных нейронных сетей позволяют автоматизировать, упростить и ускорить процесс диагностики, сводя к минимуму рутинную работу человека и снижая требования к его квалификации, обеспечивая при этом более высокую точность диагноза», говорит Михаил Цымблер.
Исследование может быть расширено в направлении повышения эффективности классификационной модели при работе с большим количеством снимков МРТ, в которых имеются шаблоны окклюзионного типа.
Окклюзия в общем случае свидетельствует о закупорке сосудов в мозге и требует особого внимания для правильной диагностики.
В данном исследовании не рассматривалось приложение разработанной модели для опухолей с шаблонами окклюзионного типа, поэтому применение методов глубокого обучения к указанным данным является интересным направлением для будущих исследований.
Сэчин Кумар, старший научный сотрудник кафедры системного программирования ВШ ЭКН ЮУрГУ, постдок:
— Технологии искусственных нейронных сетей активно применяются для решения широкого круга медицинских задач, в которых строгая математическая постановка задачи затруднена или невозможна.
На сегодня это очевидный тренд, поскольку ежегодно публикуются сотни научных статей по данной тематике. К таким задачам относится и диагностика различных заболеваний на основе данных историй болезни пациентов, в том числе по снимкам рентгенографии, МРТ и др.
Нейронные сети, создаваемые научными группами и коммерческими компаниями, помогают врачам диагностировать перелом, кровоизлияние, пневмонию, ретинопатию, различные виды рака и множество других заболеваний.
В противоположность обычным алгоритмам нейронные сети обучаются на примерах отличать случаи заболевания от нормы и способны обеспечить высокую точность распознавания — более 90%.
Лев Уткин, заведующий лабораторией нейросетевых технологий и искусственного интеллекта Санкт-Петербургского политехнического университета Петра Великого (СПбПУ):
— Я считаю, что разработка ученых Южно-Уральского государственного университета в соавторстве с зарубежными коллегами очень важна и интересна. Глиобластома — одна из практически неизлечимых форм рака, и с этой точки зрения их работа очень актуальна. Хочу отметить, что авторы в статье использовали очень оригинальное решение.
С точки зрения машинного обучения они использовали метод понижения размерности. Он используется нечасто. Что вдвойне интересно, авторы применяют довольно редко используемый стек ограниченных машин Больцмана, который формирует глубокую сеть доверия со скрытыми уровнями.
Это очень интересно, по крайней мере, я не встречал, чтобы так использовали стек ограниченных машин Больцмана. Это достаточно оригинальная идея для классификации по снимкам МРТ. В целом авторы действительно проделали большую работу. Я понимаю, что представляет собой анализ снимков МРТ.
Принцип МРТ, в отличие от компьютерной томографии, намного сложнее. И, с моей точки зрения, авторы предложили очень интересный алгоритм.
Георгий Лебедев, директор Института цифровой медицины Сеченовского университета:
— Решение специалистов из ЮУрГУ определенно сможет ускорить процесс диагностики при помощи МРТ. Успех предложенного подхода на практике будет зависеть от того, насколько верифицирована и полна база данных, которую использует нейросеть, а также как она пройдет клинические испытания. С точки зрения науки это, безусловно, интересное решение.
Однако с практической точки зрения к нему есть определенные вопросы. Во-первых, каково количество исследованных нейросетью материалов? Во-вторых, какова достоверность полученных результатов? Предложенный механизм, безусловно, будет полезен, но важна и степень его востребованности.
Ведь там, где есть КТ и МРТ, там, как правило, есть и специалист, который его расшифровывает.
Какое значение для медицины может иметь эта технология?
Мы получили один из вариантов применения технологии искусственного интеллекта для анализа медицинских данных. Но на сегодняшний день мы не имеем такого ИИ, который самостоятельно мог бы решать подобные задачи. Поэтому нам необходимо построить базу знаний, которую создают эксперты.
Они формируют так называемый data set — набор снимков, где присутствует либо, напротив, отсутствует патология. И когда нейронная сеть получает новый снимок, она приступает к его классификации. Система решает, к какому классу изображений его можно отнести. Если найдена патология, сеть пытается соотнести ее с тем классом патологий, который уже отработан.
Это интересная тема, но должен быть проведен определенный маркетинг, насколько технология будет востребована.
Материал подготовлен при поддержке «Проекта 5–100»