Как нейросети от Лаборатории по ИИ Сбера помогают врачам определять инсульт и лечить пациентов с коронавирусом

В Лаборатории по искусственному интеллекту Сбера есть медицинское направление. Занимаемся им мы — Манвел Аветисян, Владимир Кох и наша команда. Рассказываем, как обучаем нейросети, которые помогают выявлять признаки инсульта, коронавируса и онкологии, а еще — подсказывать диагноз по набору симптомов.

В 2018 году Сбер открыл Лабораторию по искусственному интеллекту, которая разрабатывает наукоемкие решения в разных сферах — от риск-менеджмента до клиентского сервиса. Идея заниматься ИИ в медицине была в Лаборатории по ИИ с самого начала — это направление имеет огромную научную и практическую ценность. Его взял на себя Манвел — он разработал первые модели, провел эксперименты, собрал команду. Владимир присоединился позже, в сентябре 2018 года.

Всё началось с экспериментов и обучения нейросетей на открытых данных — датасетов с медицинскими снимками пациентов с инсультом, которые можно было найти в открытом доступе. Когда о Лаборатории ИИ узнали в научном сообществе, к нам обратились врачи медицинского исследовательского центра им. Мешалкина из Новосибирска — это случилось в апреле 2018 года. Им как раз нужен был инструмент для быстрого выявления признаков инсульта.

Если человек с подозрением на инсульт поступает в больницу, надо как можно скорее выяснить, действительно ли у него случился инсульт, и если да, то какого типа. Для этого обычно проводят компьютерную томографию (КТ) головного мозга, затем рентгенолог изучает снимки и пишет заключение, на основе которого лечащий врач решает, что делать. Первые несколько часов после инсульта — критические: если пациент не получает помощь вовремя, возрастает риск необратимых изменений мозга и смерти.

Мы решили обучить нейросеть анализировать полученные на КТ снимки, выявлять инсульт, определять его тип, объем и локализацию. Для этого собрали анонимизированный датасет из тысяч снимков головного мозга: здорового, с инсультом и с похожими на инсульт патологиями. А чтобы нейросеть научилась понимать разницу, врачи из центра им. Мешалкина отмечали очаги инсульта на каждом снимке, где те были.

Мы применили архитектуру U-Net, хорошо показавшую себя в решении похожих задач. Она состоит из «сжимающей» и «расширяющей» частей. Операции свертки «смотрят» на изображение в геометрически возрастающих масштабах, что позволяет архитектуре лучше моделировать нелокальные зависимости между пикселями изображения.

Первые результаты появились через пять месяцев — и они нас не устроили: нейросеть справлялась не хуже одного врача из четырех. Тогда мы перешли со стандартной архитектуры на более сложную, с «тяжелой» «сжимающей» частью. Точность выросла до 96%: нейросеть определяла инсульт почти безошибочно, не хуже девяти врачей из десяти.

Когда стало ясно, что алгоритм работает хорошо, его решили опробовать в больницах. Просто отдать врачам куски кода мы не могли — и придумали коробочное решение, которое интегрируется в привычные медикам системы хранения изображений. Все они работают по протоколу DICOM (Digital Imaging and Communications in Medicine), медицинскому стандарту создания, хранения и передачи цифровых изображений и документов.

Мы сделали интерфейсы для работы с нашей нейросетью, а еще — варианты API для интеграции с медицинской или радиологической системой. Получилась компьютерная программа, которая взаимодействует с другими частями инфраструктуры клиники по сети.

После КТ снимок попадает в систему, где его анализирует нейросеть, — это занимает примерно минуту. Затем в систему заглядывает врач, и он видит не только сам снимок, но и подсказку от нейросети. Например, нейросеть считает, что у человека есть инсульт, причем определенного типа, при котором в мозгу нарушено кровообращение.

Врач быстро смотрит на снимок, соотносит увиденное с подсказкой и принимает решение о том, как быстро помочь пациенту. Иногда нейросеть принимает за острый инсульт очаги хронической ишемии, но врач легко распознает такую ошибку — поэтому она не критична, но мы продолжаем работу над решением и этой задачи. Если бы ИИ принимал человека с инсультом за здорового, было бы гораздо хуже. К счастью, таких ошибок алгоритм не совершает. Первое испытание в пилотном режиме мы провели в Хабаровске, а сейчас наша система пилотируется в крупных больницах, с большим потоком пациентов в нескольких регионах.

Во время пандемии мы решили запустить проект по диагностике коронавируса. Создавать медицинский продукт в сфере искусственного интеллекта, не посоветовавшись с врачами, очень опрометчиво, поэтому мы спросили у медицинского сообщества, чем можем быть полезны.

Мы поговорили с большим количеством практикующих врачей из самых разных клиник, коммерческих и государственных. Оказалось, что есть две задачи, с решением которых могут помочь нейросети: определение пораженных (по типу матового стекла и консолидации) участков легких на КТ и расчет объема этих поражений относительно объема легких.

Алгоритмы компьютерного зрения работают по одному принципу: нейросеть обучается на массиве изображений и начинает распознавать то, что необходимо, будь то последствия инсульта или поражения легких. Поэтому пригодились предыдущие наработки: мы использовали похожую архитектуру — и обучали нейросеть на снимках пораженных при ковиде легких. Для этого мы очень быстро нашли несколько клиник-партнеров, у которых были пациенты с коронавирусом, согласовали с врачами методологию разметки, разметили с их помощью данные и обучили алгоритм.

На снимках видны пятна — «эффект матового стекла». Его вызывают и другие заболевания, но при коронавирусе «матовые стекла» располагаются особым образом и обычно появляются в обоих легких. Нейросеть «видит» пораженные участки и оценивает их объем по отношению к общему объему легких — это важно для принятия врачебных решений. Анализ одного снимка занимает от минуты до пяти минут, этот продукт тоже можно интегрировать в медицинские системы. Проект мы сделали за месяц: в апреле стартовали, а в мае внедрили систему в клиниках Кузбасса и Красноярска. Сейчас система работает в двух десятках регионов, и мы постоянно получаем фидбэк от врачей и узнаем, какие еще функции им нужны.

Всего в Лаборатории по искусственному интеллекту около десятка проектов: об одних мы уже можем рассказать, о других — нет. Всего в Лаборатории ИИ около 10 медицинских проектов. Часть из них также основана на обработке изображений, например нейросеть для анализа маммографических снимков: рак молочной железы — самый распространенный среди женщин и в мире, и в России. Над этой задачей мы работали полгода, еще два месяца тестировали нейросеть в Томске, а теперь запустили пилот: ИИ помогает выявлять патологии у реальных пациенток.

Более сложное и наукоемкое направление — оценка риска определенных заболеваний и в целом поддержка принятия врачебных решений с помощью ИИ. Один из самых зрелых наших проектов в этом направлении — предсказание трех наиболее вероятных диагнозов по списку симптомов. Его мы сделали в партнерстве с Департаментом здравоохранения Москвы. Пациент приходит на первый прием, рассказывает о самочувствии, а модель предполагает, чем он может быть болен. После нескольких экспериментов оказалось, что ИИ работает не хуже, чем опытный терапевт. Для обучения нейросети мы использовали информацию по миллиону пациентов, которые в течение 15 лет совершили четыре миллиона визитов в поликлинику. Данные, конечно, обезличены.

Медицинскими проектами в Лаборатории по ИИ занимаются 11 человек: руководители, исследователи больших данных,, проджекты и продакты. В апреле к нам присоединился Александр Нестеров — врач, который увлекся машинным обучением и теперь работает датасаентистом. Это редкий случай, и опыт Александра в медицине нам очень помогает.

Мы никогда и ничего не делаем просто так, поэтому над каждым проектом работаем вместе с врачами. На старте у нас было много идей, и врачи помогли их приоритизировать и улучшить. Проект, который датасаентисту кажется интересным и перспективным, на практике может оказаться сложным или малоэффективным в практическом применении, поэтому мы всегда просим врачей нас критиковать и заранее узнаем, чем именно можем им помочь.

Врачей можно условно поделить на две группы: первые настроены негативно-настороженно, вторые — позитивно-настороженно. Первые сходу говорят: «Ничего не получится», вторые: «Давайте попробуем». И только когда они видят не презентацию, а готовую модель, которая отрабатывает случай за случаем с высокой точностью, они меняют отношение и начинают использовать наши решения.

Такая настороженность понятна — врачи несут большую ответственность за здоровье людей. А некоторым кажется, что мы пытаемся заменить медиков искусственным интеллектом. Это, разумеется, не так: алгоритмы не панацея, решение всегда будет за доктором. Врачи, которые работают с нейросетями, начинают понимать, что ИИ не угроза, а помощник. И чем больше интересных продуктов появится, тем скорее к этому привыкнет медицинское сообщество.