Анализ медицинских изображений с помощью ИИ и машинного обучения

Искусственный интеллект (ИИ) на основе машинного обучения способен выявлять закономерности в данных и на их основе принимать решение. При этом ИИ обучается на шаблонах данных без явного программирования и способен улучшаться по мере поступления новой информации¹.

Медицинская визуализация связана с большими потоками данных, с которыми работает врач на разных этапах обследования. Здесь искусственный интеллект используется для ускорения процесса и устранения клинической неопределённости, которая может возникать в ходе диагностики.

C чем сталкиваются врачи и искусственный интеллект при анализе медицинских снимков?

Интерпретация медицинских изображений представляет сложности как для врача, так и для искусственного интеллекта.

Какие трудности могут возникать у врача?

• специалисты могут разойтись в диагнозе при оценке одного и того же снимка;

• ряд заболеваний на ранних стадиях проявляется небольшими изменениями, которые можно пропустить при визуальном осмотре;

• врачу необходимо просмотреть большее число снимков, часто сравнивая их с предыдущими исследованиями;

• время частично затрачивается на подготовку отчётов.

С какими проблемами может сталкиваться искусственный интеллект?

• Архивы медицинских снимков, которые представляют собой наборы данных, изначально непонятны компьютеру. Они нуждаются в предварительной обработке. Медицинские специалисты вручную маркируют каждый снимок, просматривая его на наличие патологии и указывая диагноз. Процесс может занять длительное время и зависит от опыта диагноста².

• ИИ может демонстрировать высокую точность на ограниченном наборе данных, но ошибаться в случае новых примеров. Исследователи стараются, чтобы алгоритм был обобщаемым и демонстрировал эффективность в разных клинических ситуациях³.

• Разнородность данных обусловлена особенностями диагностической аппаратуры. Марка и модель сканера, который использовался при исследовании, может отразиться на качестве снимка. Гетерогенность данных также объясняется опытом оператора, разными параметрами сканирования, а также разнообразием групп пациентов – пол, возраст, заболевание⁴.

Особенности анализа медицинских изображений

Анализ медицинских изображений включает следующие задачи^3,5:

• Классификация. В простом варианте классификации искусственный интеллект присваивает диагностическому снимку одну из двух категорий: норма или патология. Если необходимо дифференцировать различия, например в случае опухолевых новообразований, применяется многоклассовая классификация.

• Локализация. Помогает определить расположение анатомических структур на снимке. Для этого может применяться метод скользящего окна: нейросеть «скользит» по изображению, а содержимое окна использует в качестве входных данных. ИИ оценивает, присутствует ли искомый класс в данной области. Затем алгоритм возвращает местоположение объекта: либо в виде центрального пикселя, либо как ограничительную рамку из четырёх координат.

• Сегментация. Алгоритм «просматривает» каждый пиксель изображения и оценивает, принадлежит ли он искомому объекту.

Чем ИИ и машинное обучение помогают в медицинской визуализации

Повышение производительности

Искусственный интеллект повышает эффективность работы рентгенолога благодаря автоматизации рутинных процессов⁶:

• выделение зон интереса, включающих патологические участки;

• обработка медицинского изображения в случае низкого качества снимка: удаление шума, повышение контрастности и чёткости снимка;

• количественная оценка анатомических образований;

• интеграция полученных данных в рентгенологические отчёты.

Алгоритмы обработки медицинских изображений становятся важным инструментом в руках диагноста. Они включаются в систему поддержки принятия врачебных решений (СППВР). Используя СППВР, медицинский специалист сохраняет время для решения нестандартных диагностических задач.

Передовые подходы для более точной диагностики

Учёные из Южной Кореи на основе машинного обучения разработали метод повышения точности скрининга рака молочной железы. Полученные результаты были опубликованы в The Lancet Digital Health. Выборка исследования объединила 170 230 маммографий, которые были собраны в учреждениях Южной Кореи, США и Великобритании⁷.

Каждая маммография была оценена 14 рентгенологами на вероятность наличия злокачественного новообразования в молочной железе. Нейронная сеть показала высокие диагностические результаты: показатель AUC, оценивающий качество классификации, составил 0,940⁷.

Исследование подтвердило, что ИИ может выступать в качестве инструмента поддержки для врача. Рентгенологи, используя методы машинного обучения, могут точнее выявлять рак молочной железы⁷.

Автоматизированная система

Искусственному интеллекту незнакома усталость: он способен непрерывно анализировать данные и принимать решения в условиях повышенной нагрузки. Это стало особенно актуальным в период пандемии, когда больницы столкнулись с большим потоком заболевших. Врачам необходимо выявить среди пациентов с респираторными заболеваниями лиц с COVID-19, чтобы оказать им медицинскую помощь в первую очередь.

Учёные из США применили машинное обучение для сортировки пациентов. Автоматизированная система учитывает клинические данные: количество лимфоцитов, уровень насыщения крови кислородом, наличие сердечно-сосудистых заболеваний. Дополнительным источником данных стали рентгеновские снимки грудной клетки⁹.

Рентгенография может быть применена в условиях ограниченных ресурсов, когда ЛПУ сталкивается с недостатком медперсонала и диагностического оборудования. При этом метод отличается относительной скоростью и низкой дозой облучения⁸.

В течение 24 часов ИИ провёл комплексную оценку 80 рентгенограмм. Точность диагностики составила 95%: алгоритм определил пациентов c COVID-19 в 76 случаях⁸.

Учёные из Нидерландов и Китая разработали автоматическую систему на основе искусственного интеллекта для выявления туберкулёза лёгких. Методы и результаты исследования были представлены в журнале European Radiology⁹:

• для обучения нейросети врачи-рентгенологи вручную промаркировали аномальные срезы с лёгочными поражениями при туберкулёзе;

• для визуализации тяжести туберкулёза исследователи использовали трёхмерный подход к реконструкции изображения;

• ИИ выделял подозрительные инфекционные области, составляя цветовые карты внимания;

• анализ данных КТ был проведён для 526 участников c клинически диагностированным туберкулёзом.

Точность классификации нейронной сети для трёх независимых наборов данных составила от 81,08 от 91,05%. Авторы отмечают, что разработанная система поможет врачу правильно оценить степень тяжести туберкулёза и подобрать терапию⁹.

В каких областях медицины нейросети наиболее полезны

• Визуализация сердечно-сосудистых заболеваний. Нейросети помогают обнаружить признаки острых патологий, требующих неотложной помощи, например инфаркта миокарда. С помощью машинного обучения врачи оценивают гемодинамические изменения на снимках: проходимость коронарных артерий, патологию сердечных клапанов, наличие кальцификации. Маркёры визуализации помогают правильно стратифицировать риски и снизить смертность от заболеваний сердца благодаря своевременной терапии²⁰.

• Визуализация лёгких. Рентгенолог диагностирует респираторные заболевания по характерным изменениям лёгочной ткани на КТ. ИИ улучшает дифференциальную диагностику, классифицируя патологические области по плотности и текстурным характеристикам. При этом анализ проводится на уровне пикселей, незаметных человеческому глазу. Нейросеть упрощает визуальные количественные оценки, рассчитывая объём подозрительного очага²².

• Маммография. ИИ анализирует цифровые томографические изображения молочной железы, выделяя подозрительные участки среди нормальной ткани. Нейронная сеть оценивает аномалию и классифицирует её как доброкачественную или злокачественную¹².

Решения СберМедИИ охватывают актуальные области медицинской визуализации. Сервисы применяются для диагностики распространённых заболеваний:

• КТ Инсульт: ИИ размечает КТ-снимок головы, выделяя зоны нарушенного кровообращения при остром инсульте;

• КТ Лёгких: нейросеть определяет процент поражения лёгких при вирусной пневмонии, в том числе COVID-19, а также выявляет минимальные узелковые новообразования в лёгочной ткани;

• Маммография: оценка новообразований в молочной железе по международной шкале BI-RADS с определением контуров очага.

Анализ КТ-снимков с помощью ИИ помогает повысить безопасность лучевых исследований и получить качественное медицинское изображение. О возможностях искусственного интеллекта в компьютерной томографии подробнее расскажем в отдельной статье.

Перспективы ИИ в анализе медицинских изображений

Дальнейшее развитие искусственного интеллекта в медицинской визуализации направлено на решение следующих проблем¹³:

• Создание полезных баз данных. Качество классификации алгоритма зависит от обучающего датасета. Хранилища должны содержать организованные и аннотированные изображения, благодаря которым ИИ научится правильно распознавать и реагировать на заболевание.

• Привлечение инвестиций. Анализ медицинских изображений требует вовлечения экспертов на всех этапах: от маркировки данных и ручной локализации до оценки производительности алгоритма. Программные продукты требуют технической поддержки и необходимого оборудования.

• Соблюдение безопасности. В случае использования клинических баз данных снимки пациентов должны быть обезличены.

• Комплексный подход к диагностике. Помимо данных визуализации, ИИ может учитывать клинические показатели, полученные из электронной медицинской карты. Интеграция других источников информации направлена на улучшение интерпретации медицинского изображения.

Применение нейросетей и машинного обучения при анализе медицинских изображений находится в состоянии активного развития. Внедрение ИИ в систему здравоохранения возможно благодаря совместной работе исследователей, разработчиков программного обеспечения и участников профессионального сообщества.

Уже сейчас есть первые результаты – ранняя и точная диагностика ряда заболеваний, а значит, и сохранённое здоровье пациента.

Источники

1. Машинное обучение. Что это такое и почему это важно? [Электронный ресурс]: SAS. URL: https://www.sas.com/ru_ru/insights/analytics/machine-learning.html. (дата обращения: 17.03.2022)

2. Хён Джин Юн, Ён Джин Чжон, Хён Кан, и др. Анализ медицинских изображений с использованием искусственного интеллекта // Prog Med Phys. 2019; 30(2): 49-58.doi: 10.14316/pmp.2019.30.2.49.

3. Джозеф Р. Инглэнд, Филлип М. Ченг. Искусственный интеллект для анализа медицинских изображений: руководство для авторов и рецензентов // American Journal of Roentgenology. 2019 212:3, 513-519. doi: 10.2214/AJR.18.20490

4. Как помочь радиологическому ИИ справиться с различными сканерами и настройками? [Электронный ресурс]: Quantib. URL: https://www.quantib.com/blog/how-to-help-radiology-ai-cope-with-different-scanners-and-settings. (дата обращения: 17.03.2022)

5. Линдер, Това и Ола Джигин. Обнаружение и локализация органов в объемах рентгенологических изображений. 2017.

6. Ханс-Иоахим Ментцель. Искусственный интеллект в оценке изображений и диагностике // Monatsschr Kinderheilkd. 2021 2 июля; 1-9. doi: 10.1007/s00112-021-01230-9.

7. Ким Х.Ы., Ким Х.Х., Хан Б.К., и др. Изменения в выявлении рака и ложноположительном отзыве в маммографии с использованием искусственного интеллекта: ретроспективное многочитательное исследование // Lancet Digit Health. 2020;2(3):e138-e148. doi: 10.1016/S2589-7500(20)30003-0.

8. Ким К.К., Чхе Д.В., Харрисон Х.Б., и др. Автоматизированный конвейер сортировки COVID-19 с использованием искусственного интеллекта на основе рентгенографии грудной клетки и клинических данных // npj Digit. Med. 2022:5:5. doi: 10.1038/s41746-021-00546-w.

9. Ян К., Ван Л., Лин Дж., и др. Полностью автоматическая система анализа КТ на основе искусственного интеллекта для точного обнаружения, диагностики и количественной оценки тяжести туберкулеза легких // Eur Radiol. 2022:32, 2188–2199. doi: 10.1007/s00330-021-08365-z.

10. Л. Б. ван дер Овер, М. Вондер, М. ван Ассен. Применение искусственного интеллекта при сердечной КТ: от основ к клинической практике // Eur J Radiol. 2020 Jul;128:108969. doi: 10.1016/j.ejrad.2020.

11. Молитва, Ф., Рёрих, С., Пан, Дж. и др. Искусственный интеллект в визуализации легких // Radiologe. 2020;60:42–47. doi: 10.1007/s00117-019-00611-2

12. Герас К.Дж., Манн Р.М., Мой Л. Искусственный интеллект для маммографии и цифрового томосинтеза молочной железы: текущие концепции и перспективы на будущее // Radiology. 2019;293(2):246-259. doi:10.1148/radiol.2019182627.

13. Карри Дж., Хоук К.Э., Рорен Э., и др. Машинное обучение и глубокое обучение в медицинской визуализации: интеллектуальная визуализация // J Med Imaging Radiat Sci. 2019;50(4):477-487. doi: 10.1016/j.jmir.2019.09.005.