Как выявить рак легких при помощи искусственного интеллекта

Согласно исследованиям Американского онкологического общества, поражение лёгких — наиболее частая причина смерти от рака. При этом процент выживания при раке лёгких невысок и составляет 17% для мужчин и 24% для женщин. Печальная статистика объясняется большим числом случаев диагностики рака лёгких на последней стадии.

Если бы рак лёгких находили раньше, число выздоровевших пациентов стало бы выше. В мыслях об этом учёные всего мира пробуют усовершенствовать методы лучевой диагностики рака, включая компьютерную томографию (КТ). Однако развитие способов диагностики не гарантирует, что рак будет легко обнаружен.

Для распознавания опухолевых клеток необходимо правильно обрабатывать снимки и уметь выявлять признаки заболевания. Это вызывает сложности при большом количестве изображений, которые обрабатываются вручную. На помощь врачам-радиологам приходит искусственный интеллект.

AI-алгоритмы для анализа медицинских изображений

В 2017 году популярный медиапортал для радиологов AuntMinnie.com опубликовал обзор по использованию исскусственного интеллекта в радиологии. По словам профессиональных докторов и профессоров медицины из университета Мэриленда и клиники Мэйо, AI-технологии пока не способны заменить рентгенологов и радиологов, но могут оптимизировать рабочие процессы. Например, методы машинного обучения помогают эффективно анализировать медицинские изображения. А именно — находить опухоли на снимках КТ, магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии (ПЭТ).

Преимущества автоматической обработки медицинских снимков очевидны:

• Болезнь можно диагностировать быстрее
• Врачи получают удобный программный инструмент
• Снижается процент ошибок при обработке данных

Мы разрабатываем ПО для медицинских организаций с 2012 года и понимаем, как важно адаптировать технологии машинного обучения для практических целей. Например, для нашего приложения Primu.online мы тренируем ИИ на перевод записей приема пациента в текст. В рамках одного из текущих проектов мы обратились к проблеме ранней диагностики рака лёгких и разработали алгоритм анализа медицинских снимков для выявления признаков рака.

Кому это пригодится

Медицинским учреждениям — частным и государственным, научным исследовательским центрам, профессорам, специализирующимся на исследовании методов диагностики рака лёгких, практикующим специалистам-рентгенологам и радиологам.

Как это действует

Алгоритм компьютерного зрения распознаёт опухолевые образования на снимках лёгких с помощью применения искусственных нейронных сетей. Обученная нами нейросеть ищет солитарные лёгочные узлы — подозрительные участки в лёгких, которые могут быть опухолевыми клетками.

Как мы это сделали

Мы обучили нейросеть искать области, напоминающие солитарные лёгочные узлы, на выборке из 1000 размеченных КТ-снимков органов грудной клетки:

1. Мы разделили КТ-снимки лёгких на две группы: подозрительные и нормальные. Затем натренировали нейросеть U-Net находить на снимках признаки опухоли по подозрительным областям. Сеть показала хорошие результаты в локализации подозрительных областей, но демонстрировала и ложные срабатывания — кроме правильно выбранных опухолей, сеть выделяла лишние сегменты снимков.

2. Чтобы улучшить качество работы нейросети U-Net, мы решили сократить число ложных срабатываний. Для этого мы обучили 3D свёрточную нейронную сеть классифицировать найденные на первом этапе подозрительные области на верные и ложные. В результате точность корректного выбора выросла и составила 0,925.

Почему это работает

Полученный алгоритм автоматически разделяет КТ-снимки лёгких на два типа: подозрительный и нормальный. Кроме этого, нейросеть легко локализует подозрительную область на снимках. Это работает благодаря высокой способности нейронных сетей обучаться на распознавание как 2D, так и 3D изображений. Чем больше исходный массив данных, тем выше качество работы алгоритма.

AI-алгоритм не ограничивается только распознаванием раковых опухолей. Его можно натренировать на распознавание других заболеваний на КТ-снимках в зависимости от задачи, поставленной доктором. Так можно обучить полученную модель диагностировать внутренние кровотечения и повреждения организма. Высокая точность работы нейросетей позволяет надеяться на их широкое применение в медицине.