Использование искусственного интеллекта в диагностике уже не за горами.
И даже ближе, чем кажется.
Ведь двум исследовательским группам по обе стороны Атлантики удалось решить проблему «черного ящика» ИИ в медицине.
Проблема «черного ящика» в том, что система ИИ при выдаче результатов, а в медицине это постановка диагноза и рекомендация дальнейшей терапии, не дает обоснования, чего, в частности, требует FDA. Администрация (FDA) США.В декабре прошлого года Массачусетская больница общего профиля объявила, что ей удалось научить ИИ «объяснять» диагноз внутричерепного кровотечения.
Пять месяцев назад британская компания DeepMind, приобретенная Google в 2014 году, объявила о аналогичном прорыве в диагностике заболеваний глаз.
Основной целью обеих команд было научить систему оценивать изображения сканера и принимать решения так, как это делает медицинский специалист.
Атлас знаков
Врачи отделения радиологии Массачусетской больницы общего профиля вместе с аспирантами факультета инженерных и прикладных наук Гарварда разработали модель искусственного интеллекта, которая может классифицировать внутричерепные кровоизлияния, сообщил в пресс-релизе на сайте больницы.Для обучения системы команда использовала 904 изображения КТ (компьютерной томографии), каждое из которых содержало около 40 отдельных изображений.
Команда из пяти нейрорадиологов пометила каждое изображение на наличие одного из пяти подтипов кровоизлияния в зависимости от его местоположения и отсутствия самого кровоизлияния.
Чтобы повысить точность этой системы глубокого обучения, команда встроила действия, имитирующие процесс анализа изображений рентгенологом, который включает в себя настройку таких параметров, как контрастность и яркость, чтобы выявить скрытые различия, а также прокрутку соседних срезов КТ, чтобы определить, появляется ли что-то реально.
в одном изображении отражает реальную проблему или это бессмысленное искажение.
Сразу после создания модели системы исследователи протестировали ее с помощью двух отдельных наборов компьютерных сканирований: 100 сканов с внутричерепным кровоизлиянием и 100 без него, сделанных до разработки системы, и 79 сканов с кровоизлиянием и 117 без него, сделанных после создания модели.
.
В случае с первым набором данных, взятым ранее, модель была точной при выявлении и классификации внутричерепных кровотечений на уровне анализа, проведенного радиологом.
При анализе второго сета она доказала, что может быть даже лучше человека, не являющегося экспертом в этой области.
Чтобы решить проблему черного ящика, команда проверила систему и сохранила из обучающего набора данных те изображения, которые наиболее четко представляли характерные симптомы каждого из пяти подтипов кровоизлияний.
Используя этот атлас функций, система может представить группу изображений, аналогичных тем, которые используются при анализе компьютерной томографии, чтобы объяснить основу решений.
Эта иллюстрация демонстрирует способность системы объяснять такие диагнозы, как субарахноидальное (вверху слева) и внутрижелудочковое (внизу слева) кровоизлияния, показывая изображения со схожими характеристиками (справа) из атласа изображений, который использовался для обучения системы.
«Быстрое распознавание внутричерепного кровоизлияния с последующим немедленным соответствующим лечением у пациентов с симптомами острого инсульта может свести к минимуму серьезные последствия для здоровья и предотвратить смерть», — сказал соавтор исследования и радиолог Майкл Лев.
— Во многих лабораториях нет специально обученных нейрорадиологов, особенно в ночное время или в выходные дни, что требует от непрофессионалов принятия решения о том, связаны ли симптомы пациента с кровоизлиянием или нет. Наличие надежного «виртуального второго мнения», подготовленного нейрорадиологами, могло бы улучшить результаты для неспециалистов и помочь гарантировать, что пациенты получают правильное лечение».
Карта сегментации тканей
В августе 2018 года британская компания DeepMind опубликовала на ресурсе Nature Medicine исследование, в котором заявила, что решила проблему «черного ящика», разработав модель ИИ, способную действовать на профессиональном медицинском уровне, что, однако, не исключает людей из процесса лечения, а, наоборот, помогает врачам быть более эффективными, как в описанном выше случае.В соответствии с опубликованное исследование , команда DeepMind работала в области глазных заболеваний совместно с офтальмологической больницей Мурфилдс и разработала модель диагностики с использованием 3D-изображений.
оптической когерентной томографии (ОКТ).
Открыть «черный ящик» удалось, создав две отдельные нейронные сети, работающие вместе.
Первый, сегментация, использует 3D-сверточную архитектуру (U-Net) для преобразования необработанных ОКТ-сканирований в карту сегментации глазной ткани.
Для обучения было использовано 877 клинических ОКТ-сканов, каждый из которых содержал 128 срезов, только три репрезентативных были сегментированы вручную.
Сеть сегментации находит различные симптомы (кровоизлияния, очаговые поражения и т. д.) и создает карту.
Как утверждает Глава подразделения прикладного искусственного интеллекта Мустафа Сулейман написал в блоге компании, что это помогает офтальмологам получить доступ к тому, как «думает» система.
Нейронная сеть второй классификации анализирует предложенную карту и предоставляет лечащему персоналу диагнозы и рекомендации по лечению.
Разработчики считают принципиально важным, чтобы сеть отображала рекомендации в процентах, позволяя врачам оценить «уверенность» системы в ее анализе.
«Эта функция имеет решающее значение, поскольку офтальмологи играют ключевую роль в принятии решений о лечении, которое получат пациенты», — говорит Мустава Сулейман.
По его словам, ключевой особенностью системы, которая делает ее полезной на практике, является возможность врачей тщательно изучать рекомендации ИИ.
Система призвана помочь предотвратить полную потерю зрения за счет ускорения диагностики таких заболеваний, как диабетическая ретинопатия, возрастная макулярная дегенерация и несколько десятков других заболеваний.
Описание иллюстрации.
Получение расчетов с использованием комплекса сегментации и классификации сетей.
На иллюстрации показано, как набор из 5 образцов сети сегментации и 5 образцов сети классификации используются вместе для создания 25 прогнозов для одного сканирования.
Каждый образец сети сегментации сначала предоставляет сегментированную карту предположений на основе проверяемого OCT. Для каждого из пяти предположений выборки классификационной сети предоставляют вероятность для каждого маркера.
Маркер места атрофии подробно представлен здесь.
Обе исследовательские группы выражают надежду, что разработанные ими системы не заменят врачей, но помогут им более эффективно принимать решения, а значит, помогут большему количеству пациентов за короткое время.
Следующий шаг — использование разработок непосредственно в больничных сканерах.
Теги: #здоровье #Будущее уже здесь #медицина #искусственный интеллект #Новости #искусственные нейронные сети
-
Самая Дорогая Однобайтовая Ошибка
19 Oct, 24
