Диагностика с цифровой скоростью

Всего несколько лет назад, когда мы слышали словосочетание «искусственный интеллект” (ИИ), большинство из нас сразу вспоминали про зловещего HAL 9000 из Космической одиссеи, Нейроманта Уильяма Гибсона или робота Эндрю из фильма “Двухсотлетний человек». Но технологии стремительно развиваются и ИИ сегодня занимает важное место во многих сферах нашей жизни.

Для нас сегодня ИИ — это нейросети и различные алгоритмы, которые подбирают интересные новости и музыку, помогают составить индивидуальный рацион здорового питания, или по фотографии определить: у нас на плече обычная родинка или уже повод обратиться к врачу. Кто-то уже использует нейросети в своей работе, например, для принятия решения о подборе персонала или прогнозирования продаж.

Большинство разработчиков сегодня обратились к наиболее перспективному направлению ИИ — машинному обучению и созданию искусственных нейросетей.

Поэтому нам становится все интереснее узнавать про то, как ИИ используется в повседневной жизни.

Нейросети находят свое применение повсюду: дроны с ИИ предупреждают о нападении акул жителей Австралии, IBM Watson помогает врачам в постановке правильного диагноза, а нейросети с функцией распознавания лиц помогают бороться с преступностью.

Алгоритмы машинного обучения уже широко используются для классификации или прогнозирования результатов, но они пока имеют ряд существенных ограничений. Проанализировав полученную информацию, ИИ делает соответствующее заключение, но он не «понимает» причину полученного результата. Кроме того, на данном этапе развития ИИ не универсален. Это значит, что если нейросеть обучена распознаванию лиц, она не сможет перевести текст. Также следует учесть, что качество работы ИИ зависит от качества и объема данных, которые использовались для её обучения. К этому еще стоит прибавить, что ИИ пока не самостоятельны. После обучения нейросеть действительно способна продолжить свое обучение сама, используя информацию уже не из тренировочных, а проверочных примеров и в процессе работы. Но при этом она не способна выбирать какие её слои должны работать в каждом конкретном случае, строить свою собственную логику — для этого необходим оператор.

Несмотря на это нейросети успешно используются для решения различных бизнес-задач, в промышленности, робототехнике и даже помогают прогнозировать погоду. Но одним из самых многообещающих направлений внедрения нейросетей нам кажется сфера медицины. Ведь рабочие алгоритмы, способные помочь в диагностике и выборе тактики лечения различных заболеваний, помогут оптимизировать время врача и пациента, а значит — увеличить эффективность и качество оказываемой медицинской помощи. Но в каком направлении нейросети уже имеют реальные успехи?

Достижения в области компьютерного зрения нашли свое применение в области медицинской визуализации. Медицинская визуализация включает в себя разные методы диагностики, такие как рентгенография, ультразвуковое исследование, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), электроэнцефалография и другие, которые позволяют нам получить изображения внутренних органов и структур. Для оптимизации работы лечебного учреждения уже есть возможность приобрести одобренные FDA системы ИИ. Например, icobrain, анализирующий структуры головного мозга на МРТ- и КТ-снимках пациентов с различными заболеваниями, или Arterys Lung AI, увеличивающий точность ранней диагностики рака легких.

Чрезвычайно перспективным направлением для внедрения нейросетей в медицину является патоморфология (дисциплина, изучающая изменения в клетках и тканях организма главным образом с помощью микроскопии). Как известно, для успешного обучения нейросетям необходимы большие объемы данных. А гистологические препараты несут в себе огромное количество информации: размеры и контуры клеток, характеристики ядер и других внутриклеточных структур, цвета и оттенки отдельных элементов, особенности иммуногистохимической окраски и многие другие параметры.

А какие технологии ИИ уже есть в клинической практике? Например, Google Health создал микроскоп дополненной реальности, облегчающий работу патоморфологов. А в 2018 году был проведен интересное мероприятие the Grand Challenge on BreAst Cancer Histology images (BACH), в рамках которого нейросетям-участникам предлагалось проанализировать и классифицировать гистологические препараты с целью диагностики рака молочной железы. По результатам соревнования оказалось, что предложенные участниками алгоритмы способны обнаружить онкологию с точностью 87%. А наша команда, PathVision.ai Corporation, разработала нейросеть для анализа гистологических изображений и выявления на них патологических изменений. Уже сейчас мы проводим исследование разработанного продукта в диагностике рака предстательной железы.

Созданная нами нейросеть — это конволюционная (сверточная) нейронная сеть, которая нацелена на эффективное распознавание визуальных образов. Нейросети такого типа работают по принципу зрительной коры головного мозга. Вы знаете, что отдельные нейроны коры больших полушарий реагируют только на раздражение рецепторов, находящихся в определенном поле зрения. Совокупность этих рецепторов образует рецепторное поле нейрона. Для того, чтобы «увидеть» полную картинку такой, какая она есть в действительности, множество рецепторных полей перекрывается. Рецепторные поля в зрительной коре делятся на «простые», «сложные» и «сверхсложные». «Простые» поля будут реагировать на прямые линии под разными углами, «сложные» — на движение этих прямых в определенном направлении, а для активации «сверхсложного» поля эта прямая еще и должна иметь строго определенный размер. Объединение нескольких «сверхсложных полей» первичной зрительной коры в более сложную сеть позволяет нам не просто видеть, а узнавать что за предмет находится перед нами.

То есть цельное изображение изначально делится на мелкие фрагменты, которые могут быть переданы по цепи нейронов. Затем они организуются во все более и более сложную сеть, которая уже и способна проанализировать то, что мы видим.

Конволюционная нейросеть организована похоже, но состоит не из нейронов, а из слоев. Также как и в зрительной коре, первые слои отвечают за более простые функции — захват отдельных пикселей, последующие — за захват краев, комбинаций краев и так далее. Последовательность таких слоев позволяет адаптировать сеть к выполнению высокоуровневых функций и научить её «понимать» изображение также, как это делаем мы.

Для создания конволюционной сети используются свёрточные и субдискретизирующие (пулинг) слои.

Коротко поясним для чего они нужны. Сверточный слой — это последовательность матриц заданного размера (например, 3*3, 5*5 и т.д.), элементы которых состоят из пикселей изображения, разделенного на каналы, обычно RGB (red, green и blue). Пулинг слои в зависимости от выбранного режима выделяют внутри каждой из этих матриц максимальное или среднее значение с целью уменьшения пространственного размера свернутого изображения. То есть пулинг слой обобщает информацию, полученную от сверточного слоя. Чередование этих слоев позволяет выделить доминантные признаки, которое на финальном этапе нейросеть сможет классифицировать.

Принцип машинного обучения, основанный на имитации работы человеческого мозга в процессе обработки информации, называется глубокое обучение. Точность результатов, которые воспроизводит нейросеть, обученная по этому методу напрямую зависит от размеров датасета. И здесь мы снова обращаемся к гистологическим препаратам — маленьким кусочкам тканей организма, каждый из которых содержит в себе огромные объемы информации.

А как именно проходит обучение по данному методу? Стандартный процесс обучение нейросети включает в себя 3 этапа: обучение, валидация и тестирование. Обучение нашей нейронной сети происходит так: на первом этапе в систему загружается тренировочный сет, содержащий несколько сот и даже тысяч фрагментизированных изображений, на котором система учится нанесению разметки на изображения и классификации изменений. Фрагментизация целого изображений на отдельные слайды осуществляется с целью предотвратить феномен переобучения (иногда нейросеть хорошо ориентируется только в учебных примерах, а в реальной работе часто допускает ошибки. Это происходит из-за того, что алгоритм находит в обучающем наборе данных случайные закономерности, которые в действительности не работают).

На следующей стадии НС анализирует валидационный сет из фрагментов слайдов. Валидационный (проверочный) сет — набор данных, который используется для проверки работоспособности нейросети после ее обучения на тренировочном сете. На этом этапе правильность интерпретации изменений и их разметки проверяется специалистами. После внесения корректировок в веса (параметры) нейронной сети в нее загружается третий, тестовый сет из цельнослайдовых изображений. На основании этого этапа, оценивается согласованность выводов нейросети с заключениями врачей-патологов.

По данным предварительного исследования, выявлена хорошая степень согласованности нашей нейросети и экспертов в постановке диагноза по изменениям ткани предстательной железы. Мы уверены, что развитие и внедрение этого алгоритма может способствовать увеличению точности диагностики в клинической практике.

Несомненно внедрение нейронный сетей способно благоприятно повлиять на качество и доступность медицинской помощь, но как же эти алгоритмы должны быть реализованы и куда внедрены?

Давайте представим возможность, что эту нейросеть можно сделать доступной для любого пользователя. В процессе ожидания результатов гистологии и консультации врача каждый сможет получить заключение ИИ в режиме онлайн. Нейросеть быстро проанализирует загруженную в нее информацию и сделает свой вывод. Например, вы загружаете в программу запись компьютерной томографии вашей грудной клетки, и алгоритм выдает результат «рак легкого”. Хорошо, теперь вы знаете, что на “снимках» и не надо ждать приема врача. Но что делать дальше с этой информацией? Нейросеть не сможет обсудить эту проблему, не укажет на причины, не предложит пути решения. А главное ИИ не может сопереживать, он не учитывает эмоциональное состояние человека. Поэтому такой вариант внедрения нейросетей в практику кажется нам неэтичным и вряд ли осуществимым. При оказании медицинской помощи, даже с использованием самых передовых технологий, врач оказывается первостепенным звеном. Именно взаимодействие врача и пациента, и их совместное принятие решение, а как дальше бороться с выявленным заболеванием и определяет успех лечения. Таким образом, ИИ — это помощник, способный повысить эффективность лечебно-диагностического процесса, а не заменить специалиста-человека.

Нам кажется более разумным и реально осуществимым внедрение нейросетей в нашу жизнь несколько другими путями.

Во-первых, обученный ИИ может выступать в качестве независимого эксперта при оценке гистологических препаратов. В таком случае, путем сравнения заключений нейросети и экспертов-людей и повторного изучения препаратов появится возможность исключения ошибки при постановке диагноза. Во-вторых, использование подобных алгоритмов позволяет значительно сократить время работы врачей-патологов. В обычный уловиях эксперту необходимо просматривать вручную большое количество срезов для обнаружения участков, которые необходимо изучить на предмет наличия патологии. Но если в его работу внедрить ИИ, который будет автоматически помечать конкретные участки на препарате, заслуживающие дальнейшего изучения, время на постановку диагноза можно будет значительно сократить. И пациент сможет получить заключение в более короткие сроки.

И наконец, представьте, что благодаря внедрению ИИ может быть ускорена работа всех медицинских сервисов и значительно повышено качество оказываемой помощи. Это происходит уже сейчас, мы делаем шаги в сторону эволюционного развития медицины со всеми её особенностями и традициями к цифровой медицине, при этом не забывая, что главное в этой системе – человек.