ИИ или человек: сможет ли приложение по автоматизации микроскопии заменить человека

Рутина медицинских лабораторий — анализ мазков, изучаемых при помощи микроскопа. Но алгоритмы машинного обучения извлекают из них гораздо больше информации, нежели врачи лабораторной диагностики. Рассказываем, как применяют ИИ-модели в микроскопии и почему они не конкуренты врачам.

ИИ или человек: сможет ли приложение по автоматизации микроскопии заменить человека
Ансар Жалялов
CEO Celly.AI

Искусственный интеллект в медицине — данность. Алгоритмы обрабатывают рентгенологические и МРТ-снимки, занимаются поиском новых действующих веществ для лекарственных препаратов, автоматизируют работу врачей и медицинских учреждений и помогают подбирать для пациента с тяжелыми заболеваниями, например, онкологией, персонализированное лечение. Это далеко не полный список направлений, в которых уже применяются обученные нейросети. Разумеется, речь не идет о полной замене медиков, поскольку даже наиточнейший диагноз, поставленный машиной, требует интерпретации врача.

Алгоритмы Lunit, разработанные в Южной Корее, способны обнаруживать признаки 10 часто встречающихся заболеваний грудной клетки, включая рак, с точностью 97–99%.

Платформа Botkin.AI выявляет онкологические заболевания на ранних стадиях с точностью до 95%.

А нейросеть, разработанная российскими и британскими учеными, определяет на диагностических снимках опасные сужения в артериях с точностью 95%, моментально, в онлайн формате.

ИИ и микроскопия: от болезни Паркинсона до поиска онкоклеток

Но ИИ сегодня способен анализировать не только МРТ-снимки: в 2013 году разработчики из института Гладстона и Калифорнийского университета в Сан-Франциско создали систему роботизированной микроскопии. С помощью нее возможно было отслеживать жизнь отдельных клеток в течение заданного промежутка времени и параллельно собирать о них обширные массивы данных.

Стив Финкбайнер, соразработчик системы и профессор неврологии из Калифорнийского университета, предложил обрабатывать данные с помощью ИИ-алгоритмов, основанных на методе глубокого обучения. Этим заинтересовались в Google: вместе компании совершили революцию в микроскопии.

Идея Финкбайнера заключалась в том, чтобы применить обученные нейросети для извлечения информации из изображений, полученных с помощью микроскопа. В первую очередь, тех данных, которые недоступны исследователю визуально.

Изображения немеченых клеток, сделанные с помощью классического светового микроскопа, как правило, недостаточно детализированы. Лаборант может извлечь из них только общие данные о клетке: размер, форма, тип. Если исследователь интересуется конкретным биологическим процессом, применяются красители и флуоресцентные метки для поиска меньших по размеру клеточных или молекулярных структур. Компьютерная модель может научиться замечать подобные мельчайшие детали без обработок и меток.

За пять лет исследователи смогли обучить нейросети так, чтобы они идентифицировали на изображениях типы клеток, а также субклеточные структуры — ядра, нейроны и дендриты. Другая группа исследователей из Калифорнийского университета представила модель глубокого обучения, умеющую идентифицировать эндотелиальные клетки, полученные из стволовых клеток, без окрашивания.

Используя немаркированные изображения, нейронная сеть идентифицирует нейроны, полученные из индуцированных плюрипотентных стволовых клеток (зеленый цвет) в культуре, содержащей всевозможные типы клеток (ядра синего цвета). Карта ошибок выделяет пиксели, в которых прогноз модели являлся слишком ярким (пурпурный) или слишком тусклым (бирюзовый). Шаг шкалы = 40 мм.

Источник: CELL
Источник: CELL

Сегодня существует целый спектр способов для создания интеллектуальных компьютерных систем для идентификации клеток. В 2018 году Айдоган Озкан из Калифорнийского университета в Лос-Анджелесе представил датчики, которые обучали нейросеть на микроскопических изображениях, полученных с помощью микроскопа мобильного телефона. Датчики использовали для проверки воздуха на пыльцу и споры грибов. Модель безошибочно идентифицировала больше 94% образцов взятых для эксперимента пяти биоаэрозолей. Традиционные методы скрининга требуют отправки образцов для анализа, в то время как этот метод можно применять на месте.

В 2017 году группа польских исследователей использовала алгоритмы глубокого обучения для классификации родов и видов бактерий на микроскопических изображениях, что стало важным этапом в исследованиях в таких областях, как сельское хозяйство, безопасность пищевых продуктов и медицина.

В биомедицинских науках подходы ИИ, при помощи которых возможно различать типы клеток человека, существенно улучшают диагностику. Тот же Финкбайнер сотрудничал с Фондом Майкла Дж. Фокса (актер, сыгравший главную роль в трилогии «Назад в будущее» — прим. ред.) в рамках изучения болезни Паркинсона. Ученые создали такую нейронную сеть, которая способна различать нейроны, полученные из стволовых клеток пациентов с болезнью Паркинсона и здоровых людей.

Использование искусственного интеллекта для анализа микроскопических изображений уже не ново для онкологии: в этой сфере ИИ-алгоритмы применяют уже больше 10 лет, в частности, для анализа микрофотографий образцов биопсии.

За последние пару лет непосредственно глубокое обучение стало популярным инструментом для улучшения диагностики и методов лечения злокачественных опухолей. ИИ-модели после обучения на изображениях, размеченных врачом-патологом, могут научиться классифицировать опухоли, в том числе рак легких и яичников, а также прогнозировать прогрессирование заболевания, причем часто более точно, чем могут клиницисты.

Вершина микроскопии — гистопатология, которая намного сложнее, чем гематология или цитология. Но и в этой части произошел существенный прогресс в сторону автоматизации. Если в классическом анализе важно только определить, где клетка и к какому классу относится, то в гистопатологии нужно понять, почему паттерн рисунка изменился и стало ли это похоже на рак или речь идет ещё о неизмененной ткани.

Как устроена работа приложения Celly.AI

Уже существуют зарубежные компании — Page.Ai, Path.Ai, которые как раз занимаются разработкой ИИ-моделей в гистопатологии. Компании даже получили одобрение по некоторым видам тестов FDA. Эти компании работают с существующими сканерами слайдов: Эти решения работают уже с оцифрованными слайдами. Они представляют собой облачные сервисы, куда сканер передает цифровой снимок микропрепарата, а сервис определяет вероятные локализации опухолей.

В случае с Celly.AI было создано end-to-end решение, когда смартфон подключается к окуляру обычного лабораторного микроскопа, а приложение анализирует снимок при помощи нейросетей. То есть лабораториям не нужно покупать дорогостоящий сканер слайда, что делает диагностику недорогой и доступной.

Нейросеть, которую применяют в Celly.AI была обучения на размеченных фотографиях клеток крови. После того, как набралась критическая масса снимков, размеченных врачами лабораторной диагностики, ИИ научился с точностью определять, к какому классу относится каждая клетка.

ИИ или человек: сможет ли приложение по автоматизации микроскопии заменить человека

Заменит ли ИИ человека в микроскопии: плюсы и минусы

Но, как и в других сферах, где применяется ИИ, главная цель — моментальная и практически бесплатная работа с рутинными операциями. Алгоритмы могут работать бесконечно, анализировать сотни тысяч снимков не уставая, да еще и самообучаться. Что, конечно, невозможно сказать о человеке. Львиную долю работы врача-микроскописта, как правило, занимают рутинные операции. И в этой части исследований ИИ может легко заменить человека: поиск клеток, идентификация, интерпретация (пусть и ограниченная), извлечение той информации, которая визуально недоступна человеку.

ИИ или человек: сможет ли приложение по автоматизации микроскопии заменить человека

Но даже те задачи, которые нельзя назвать рутинными, ИИ-алгоритмы делают удобными для решения. Цифровизация процессов, понятное визуальное представление данных и удаленный доступ делает экосистему микроскопии современнее и эффективнее. Кроме того, в мире наблюдается дефицит кадров в лабораторной диагностике, поэтому ИИ-модели смогут решить проблему доступности врача в труднодоступных регионах.

Несмотря на то, что ИИ способен гораздо быстрее находить и интерпретировать информацию, валидацию результатов должен проводить врач. В особенности, если речь идет не о типичном случае, а, например, о редкой патологии. Однако, ИИ-алгоритм запомнит этот кейс и добавит в свое обучение, что впоследствии позволит ИИ с легкостью идентифицировать аналогичные патологии без помощи врача. Чем больше тестов пройдет через ИИ, тем больше частных случаев будут изучены, а значит, даже со сложными ситуациями ИИ-алгоритм будет справляться не хуже человека.

По словам профессора Финкбайнера, в ближайшие 10–15 лет исследователи смогут программировать системы для автономного проведения экспериментов: например, доставки лекарств к конкретным клеткам в зависимости от того, что они наблюдают. Это позволит ускорить открытие новых препаратов и снизить предвзятость.

77
1 комментарий

Если ИИ будут ставить диагноз и доставят лекарства к больным клеткам, это даст возможность в ближайшем будущем среднюю продолжительность жизни поднять до 200 лет. Удивительное существо человек, Всякую Фантазию может реализовать в реальности. Супер!

3
Ответить