Как нейросети помогают бороться с раком

С каждым днем искусственные нейросети всё активнее входят в нашу жизнь и занимают своё место в различных её сферах. Технологии искусственного интеллекта уже стали незаменимыми помощниками в промышленности, сельском хозяйстве, предпринимательстве, и конечно же в медицине. Особенно перспективным и важным представляется внедрение нейросетей в онкологии. Почему?

Давайте обсудим на реальном примере — раке предстательной железы.

Рак предстательной железы (РПЖ) сегодня — это одно из наиболее распространенных злокачественных заболеваний у мужчин по всему миру. Среди всех онкологических заболеваний рак простаты уже занимает 1 место в США, Канаде и ряде Европейский стран. В России число случаев РПЖ также продолжает неуклонно расти. Но самое тревожное — показатели смертности от этого заболевания также растут. Именно поэтому так важна ранняя и точная диагностика, которая поможет не только увеличить шансы пациентов на на выживание, но и обеспечить высокое качество жизни после лечения.

При подозрении на рак предстательной железы сначала выполняются пальцевое ректальное исследование и определение в крови простат-специфического антигена (ПСА). Затем врач может назначить ультразвуковое исследование и при необходимости другие методы визуализации, например, МРТ, а также провести биопсию подозрительных на рак образований в железе.

Уже сегодня программы с использованием искусственного интеллекта (ИИ) эффективно используются в диагностике различных заболеваний, в том числе онкологических. И рак предстательной железы — не исключение. Созданные за последние годы нейросети помогают интерпретировать результаты лабораторных анализов, изучать изображения полученные при трансректальном ультразвуковом исследовании (ТРУЗИ) и магнитно-резонансной томографии (МРТ).

Наша команда PathVision.ai Corporation создала нейросеть, которая поможет анализировать изменения в клетках предстательной железы на гистологических препаратах, что на сегодняшний день является «золотым стандартом» диагностики РПЖ.

Возможность создания высокоэффективной нейросети обусловлена огромным объемом данных, которые можно получить при изучении гистологического препарата и использовать для глубокого обучения ИИ. Внедрение такой нейросети в реальную клиническую практику поможет не только сократить время постановки морфологического диагноза, но и повысить точность гистологического исследования.

Остановимся на том, что же такое гистологические препараты и какую информацию мы можем получить при их изучении. Гистологический препарат представляет собой тонкий срез образца тканей какого-либо органа, который окрашивают контрастными красителями, а потом анализируют под микроскопом.

В случае РПЖ материал для приготовления препаратов можно получить при выполнении тонкоигольной аспирационной биопсии (метод диагностики узловых новообразований, при котором производят забор образца ткани тонкой иглой) под контролем УЗИ или в процессе операции. После соответствующей обработки даже из маленького кусочка ткани можно сделать серию срезов. Срезы помещают на предметные стекла и окрашивают. Готовые «стекла» изучают врачи-патоморфологи. Именно от их заключения зависит, как дальше будут лечить человека — потребуется ли операция, лучевая терапия, необходимо ли будет назначить гормональную и химиотерапию.

Какую же информацию несут в себе гистологические препараты? Разные элементы тканей после окраски приобретают свой характерный цвет и оттенок, кроме того сами компоненты клеток приобретают определенную окраску и становятся доступны для изучения. Благодаря этому можно отличить, например, мышечные клетки от жировых, оценить степень развития (дифференцировки) каждой клетки, увидеть особенности, характерные для конкретной ткани или определенного заболевания. Также можно измерить протяженность патологических изменений если они есть и определить, а что это за изменение — воспаление, атрофия (уменьшение в размерах ткани с потерей ее функции) или злокачественное перерождение ткани. Каждый элемент гистологического препарата несет в себе информацию, которая может быть оценена экспертом-патоморфологом или классифицирована нейросетью.

Для того, чтобы ИИ смог проанализировать гистологические препараты, образцы необходимо оцифровать с помощью сканера микропрепаратов (разновидности оптического микроскопа, который получает фотографии образцов высокого разрешения и сохраняет их в виде изображений).

При РПЖ большую прогностическую ценность имеет классификация гистологический изменений по Глисону. Например, если при просмотре гистологического препарата под микроскопом врач-патоморфолог видит высокодифференцированную опухоль, которая состоит из клеток с наименее агрессивным потенциалом, то он ставит ей 1 по градации Глисона. А если опухоль полностью утратила свое строение и состоит из низкодифференцированных клеток (это самые злокачественные клетки, опухоль, состоящая из них, быстро начинает метастазировать), то специалист присуждает ей показатель 5 по Глисону. Прогноз у пациента с показателем 1 будет гораздо благоприятнее, чем у пациента с показателем 5, и тактика лечения этих пациентов будет существенно отличаться.

Однако иногда специалисты не могут прийти к согласию. Например, один при классификации опухоли по Глисону ставит её 2 балла, а другой — 4. Это указывает на большой вклад в диагностику так называемого «человеческого фактора» — имеет значение опыт и психоэмоциональное состояние врача. Кроме того гистологическое исследование — это очень трудоемкий процесс, который связан с большими временными затратами. Наша нейросеть нацелена на уменьшение риска ошибки при оценке изменений на гистологическом препарате, а также на сокращение времени необходимого для получения результата.

Среди разработанных за последние годы архитектур нейросетей наиболее эффективными в сфере медицинского компьютерного зрения оказались конволюционные нейросети. Они состоят из входных нейронов, воспринимающих информацию, выходных, представляющих результат вычисления, и множества так называемых «скрытых» слоев, отвечающих за промежуточные результаты. Наша нейросеть была построена на основе алгоритма глубокого обучения SkipNet, базовой моделью которой стала ResNet с 34 конволюционными слоями. Этот алгоритм динамической маршрутизации позволяет сократить количество вычислений, которые выполняет глубокая нейросеть, при сохранении высокой точности. Как это делает модель ResNet представлено на рисунке.

Наша нейросеть прошла предобучение на ImageNet, крупнейшем датасете, состоящим из нескольких миллионов данных, относящихся к 22 тысячам категорий. А затем прошла 3х-этапное обучение на тренировочном, валидационном и тестовом датасетах. Наша нейросеть обладает практическим преимуществом — она обучена не только классифицировать рак предстательной железы по Глисону, но и разметке на гистологических препаратах широкого спектра заболеваний простаты, например хронического воспаления, атрофии железы или предраковых изменений (простатическая интраэпителиальная неоплазия).

Разметка изображений — это один из основных методов анализа медицинских изображений с помощью компьютерных технологий. Врач-патоморфолог выделяет замкнутыми линиями на оцифрованных слайдах область с характерными чертами того или иного изменения ткани предстательной железы, указывая, что это за признаки и какому состоянию или заболеванию они соответствуют. Его заключение проверяется экспертом, и данные загружаются в нейросеть для её обучения. Нейросеть, способная самостоятельно размечать так называемые зоны интереса (именно те участки гистологического препарата, которые характеризуют патологические изменения и требуют внимания специалиста), может значительно сэкономить время врача-патоморфолога и исключить вероятность, что он не обратит внимание на этот участок. То есть врач, работая с поддержкой нейросети, точно не пропустит этот участок при гистологическом исследовании, а значит точность диагностики может стать намного выше.

Благодаря тому, что наша нейросеть обучалась на достаточно большом и разнообразном наборе данных, она умеет классифицировать разные гистологические типы рака предстательной железы, а также воспалительные и атрофические процессы. Все результаты, которые получала нейросеть при классификации и разметке цельнослайдовых изображений тестового датасета проверяли эксперты-патоморфологи. По предварительным данным коэффициент согласованности между нейросетью и врачами был высоким (κ=0.813). То есть нейросеть в большинстве случаев выполняла верную разметку изменений на препаратах и её заключения совпадали с заключениями экспертов.

Результаты предварительного исследования воодушевляют и подтверждают, что наша нейросеть является перспективной разработкой для анализа гистологических срезов в реальной клинической практике. Но на этом наша работа не останавливается.

Отметим, что на настоящий момент все исследования проводятся на архивных гистологических препаратах, поэтому решения, принятые нейросетью на данном этапе никак не влияли на здоровье пациента и тактику их лечения. Такой подход был выбран сознательно из этических соображений, так как перед внедрением в реальную медицину программное обеспечение должно пройти еще ряд исследований. Мы запланировали несколько проектов, которые позволят усовершенствовать нашу нейросеть и убедиться, что продукт имеет клинический смысл и действительно способен повысить качество оказываемой медицинской помощи.

Действительно, созданием и обучением нейросетей для анализа структуры предстательной железы занимаются и другие компании. Принцип работы предложенных ими программ несколько различается, но результаты опубликованных исследований выглядят интересными.

Однако у нашей нейросети есть ряд существенных преимуществ.

Мы уже упоминали, что нейросеть обучалась на большом объеме данных, чтобы повысить точность диагнозов, которые будет ставить система в реальной клинической практике. С её помощью врача-патоморфологи смогут сократить время, необходимое для проведения полного гистологического исследования, так как нейросеть способна выделить важные для постановки диагноза участки на препарате. Но самое главное, наше программное обеспечение может использоваться не только в крупных научных центрах, но и подойдет для работы в любой клинике. Нейросеть PathVision может быть установлена на самые разные модели гистологических сканеров, компьютеры и даже осуществлять свою деятельность через веб-интерфейс. Совместимость нейросети с различными устройствами сканирования гистологических срезов стала возможна благодаря включенным в алгоритм методам аугментации (отражение картинок по вертикали и горизонтали, уменьшение качества изображения путем сжатия алгоритмом JPEG, включение перепадов яркости, добавление шума и некоторые другие). То есть такая нейросеть менее требовательна к высокому качеству снимков.

Научная работа с нейросетью PathVision позволит внести существенный вклад в исследование роли ИИ в сфере медицинской визуализации, а также приблизит нас к созданию такого алгоритма, который сможет работать в реальный клинических условиях. Мы продолжаем свои исследования, так как уверены, что нейросеть PathVision — это весьма перспективный и реально реализуемый проект, который действительно способен повысить качество медицинской помощи и помочь врачам в борьбе с раком предстательной железы.