Автор: 
Учёные из Сколтеха, исследовательского подразделения Philips и Франкфуртского университета имени Гёте обучили нейронную сеть находить аномалии на медицинских снимках для упрощения и ускорения диагностики патологий. Описанный в журнале IEEE Access новый метод приспособлен для работы именно с медицинскими данными и находит отклонения от нормы на снимках лучше, чем подобные решения широкого профиля.
Поиск аномалий на изображениях — распространённая в анализе данных задача. Хотя она актуальна в разных сферах, особую сложность представляют медицинские снимки. Алгоритмам намного проще найти, например, фото машины со спущенным колесом или разбитым стеклом среди других изображений автомобилей, чем заметить на рентгене грудной клетки первые признаки такой патологии, как, например, воспаление лёгких из-за коронавируса.
«Медицинские снимки представляют сложность сразу по нескольким причинам, — объясняет руководитель исследования, профессор Сколтеха Дмитрий Дылов, возглавляющий в институте группу вычислительной визуализации. — 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. Кроме того, примеров медицинских аномалий для обучения нейросетей всегда недостаёт. 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, причём они необязательно друг на друга похожи и потому не образуют чёткого класса».
Группа Дылова испытала свой метод на рентгенограммах грудной клетки и снимках гистологического исследования ткани для диагностики рака молочной железы, продемонстрировав его точность и применимость к разным диагностическим данным. Нейронная сеть стабильно превосходила существующие аналоги, хотя величина преимущества и абсолютная точность заметно колебались в зависимости от выборки изображений. По словам авторов исследования, это возможно благодаря тому, что для их ИИ-решения характерно «восприятие» общего впечатления, аналогичного тому, что складывается у работающего со снимками специалиста: система стремится выделить те самые признаки, на которые в принятии решения ориентировался бы медик. В исследовании также предложена схема стандартизации подхода к задаче обнаружения аномалий на медицинских снимках, что поможет разным научным коллективам достичь большего единообразия и воспроизводимости результатов для сравнения своих моделей.
«Мы предлагаем использовать так называемое обучение с частичным привлечением учителя, — рассказывает Дылов. — 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, причём польза есть даже от одного аномального снимка на 200 нормальных, что вполне реалистично».
По словам учёных, использованный ими подход — глубокие автокодировщики восприятия — легко распространить на медицинские снимки самых разных видов, поскольку решение приспособлено к природе таких снимков в целом: оно чувствительно к аномалиям малого масштаба и рассчитано на их малое количество в обучающей выборке.
Соавтор исследования, директор московского офиса Philips Research Ирина Федулова прокомментировала результаты исследования:
«Мы рады, что сотрудничество Сколтеха и Philips позволяет находить решения столь важных и актуальных для здравоохранения проблем. Мы рассчитываем, что наш новый метод значительно ускорит работу гистопатологов, радиологов и прочих специалистов, которые просматривают большое количество снимков в поисках разного рода отклонений. Проведя предварительный анализ, машина может отсеять случаи, где проблем явно нет, и оставить специалисту больше времени на работу с более сложными случаями».
