Цифровой ассистент врача: как ИИ помогает ставить диагнозы
Возможности нейросетей сегодня используют вовсе не только для генерации текстов, картинок …
13.12.2024
Читать дальше
О нас
Наши решения
Ресурсный центр
Методы рентгенологии позволяют заглянуть во внутренние процессы тела человека. Медицинская визуализация нашла широкое клиническое применение: рентгенология помогает врачам разных специальностей узнать больше о течении болезни и эффективности лечения.
Повысить информативность и безопасность рентгена помогают передовые технологии с использованием искусственного интеллекта (ИИ).
Искусственный интеллект имитирует способности разума человека, чтобы решать различные задачи по обработке и хранению информации1.
В этом ему помогают методы:
машинного обучения: обработка данных проводится на основе заданных исследователем шаблонов2;
глубокого обучения: система самостоятельно учится принимать решения и повышать их точность без непосредственного участия человека3;
естественной обработки языка: алгоритмы учатся распознавать письменную и устную речь человека4.
Искусственный интеллект в рентгенологии позволяет:
Провести приоритизацию исследований. ИИ предварительно анализирует результаты рентгена и отмечает снимки с острыми состояниями, которые требуют внимания специалиста в первую очередь5.
Интерпретировать рентгеновские снимки. Алгоритмы помогают автоматически выделить поражённые области. ИИ способен провести классификацию и количественную оценку обнаруженных патологий, что повышает точность диагноза6.
Улучшить качество изображения: искусственный интеллект позволяет снизить уровень шума, изменить контрастность и резкость снимка. Врачу не нужно делать рентген повторно и подвергать пациента дополнительному облучению. Обработка изображения также позволяет уменьшить дозу вводимого контрастного вещества7.
Спрогнозировать развитие заболевания. На основе данных лучевой диагностики ИИ способен предсказать ответ на терапию, возможный исход заболевания, вероятность перерождения доброкачественной опухоли в злокачественную8.
Организация процесса лучевой диагностики. Программное обеспечение на основе искусственного интеллекта позволяет выбрать методику исследования с учётом размеров тела пациента. ИИ формирует набор стандартных проекций и 3D-изображений органов. Автоматическая подготовка предварительных отчётов помогает сэкономить время при проведении рентгена7.
Для обучения нейросетей используются данные визуализации в рентгенологии. Алгоритмы учат различать снимки с патологией и здоровыми тканями. Ценность исходных данных повышается, если заключения предварительно подтверждены врачом-рентгенологом9.
Общий процесс обработки нейросетью включает следующие этапы10,11:
предварительная подготовка изображения: при необходимости проводится фильтрация шума, изменение яркости и контрастности;
сегментация изображения: вручную или автоматически выделяются зоны интереса на основе заданных правил;
распознавание объектов: искусственный интеллект проводит вычислительную обработку полученных зон с их количественной оценкой и классификацией.
Полученные результаты структурируются в предварительный отчёт, который верифицирует медицинский специалист7.
Анализ изображений с участием ИИ позволяет обнаружить образования, незаметные человеческому глазу. Незначительные изменения могут не выявляться на рентгене, но заболевание уже развивается.
Искусственный интеллект оказывает поддержку специалистам, помогая идентифицировать патологические признаки и поставить точный диагноз.
Группа американских исследователей медицинской школы Икана на горе Синай опубликовала в Annals of Translational Medicine результаты использования ИИ для классификации опухолевых образований головного мозга. Искусственный интеллект на основе машинного обучения помогает в дифференциальной диагностике12:
глиобластомы;
метастазов в головной мозг;
лимфомы центральной нервной системы.
Авторы отмечают, что сложность в их обнаружении связана со сходной картиной на МРТ‑изображениях. Применение искусственного интеллекта в качестве дополнительного инструмента помогает лучше различать патологии: диагностическая эффективность повышается на 19%12.
Учёные из университета Олд-Доминион в Вирджинии разработали интегрированный метод для применения в рентгенологии. Алгоритм способен не только классифицировать глиому, но и спрогнозировать выживаемость13.
Разработанная нейросеть13:
осуществляет сегментацию МРТ-изображения;
выделяет местоположение глиомы;
определяет подтип опухоли.
Для оценки выживаемости исследователи сочетают методы глубокого и машинного обучения. Ключом к прогнозу становятся характеристики аномальной ткани на рентгене: интенсивность отёка, некроза и контрастности опухоли13.
Проблемы диагностики переломов дистального отдела лучевой кости при помощи рентгена привлекли внимание исследователей из медицинского центра Нинбо. Китайские учёные задались вопросом: «Могут ли решения искусственного интеллекта сравниться с заключениями опытных специалистов в рентгенологии?»14
Найти ответ помогли 2340 передне-задних рентгенограмм запястья, а также модель Inception-v4, обученная их анализировать. Заключения ИИ встали рядом с диагнозами специалистов: по точности диагностики алгоритмы сравнились с рентгенологами, но уступили ортопедам14.
Искусственный интеллект AI BoneView от исследователей из Медицинской школы Бостонского университета ускоряет обнаружение переломов, сообщает Medical Xpress15.
Создатели отмечают, что ИИ поможет расставлять приоритеты диагностики для медицинского специалиста. Для этого он будет автоматически помечать рентгеновские снимки с вероятным переломом15.
AI BoneView помогает сократить пропущенные переломы на 29%, снижая вероятность диагностических ошибок15.
Группа исследователей из Массачусетского технологического института разработала систему Mirai для предсказания рака молочной железы, сообщает The Washington Post со ссылкой на доклад, опубликованный в научном журнале Clinical Oncology16.
На основе анализа маммограмм Mirai оценивает вероятность опасного заболевания и даёт дальнейшие рекомендации — проведение МРТ-исследования или биопсии. Предсказания искусственного интеллекта оказались точными в 76 из 100 случаев16.
Британский стартап DeepMind AI совместно с Google Health при поддержке благотворительной организации Cancer Research UK разработали ИИ для скрининга рака молочной железы. Исследование приняло международный характер: оценить эффективность алгоритма помогли обезличенные маммограммы пациенток из США и Великобритании. Решения искусственного интеллекта сравнивались с заключениями клиницистов17.
Результаты эксперимента оказались в пользу технологий17:
уменьшение количества ложноположительных результатов (здоровые женщины, у которых заподозрили заболевание): ИИ оказался точнее человека на 5,7% и 1,2% для данных из США и Великобритании соответственно;
уменьшение количества ложноотрицательных результатов (женщины с признаками рака молочной железы, которых не направили на дальнейшее обследование): на 9,4% и 2,7% для США и Великобритании соответственно.
На данном этапе исследователи рассматривают свой ИИ как «второе мнение» для медицинского специалиста, планируя дальнейшие клинические исследования17.
При рассеянном склерозе снижается содержание миелина — вещества, образующего оболочки нервных волокон18. Своевременное обнаружение этого процесса с помощью рентгена — возможность ранней диагностики и помощи пациентам с этим неврологическим заболеванием.
Канадские исследователи из университета Британской Колумбии использовали возможности искусственного интеллекта для углублённого исследования карт миелина. Разработанный метод глубокого обучения19:
тщательнее «просматривает» Т1-взвешенные изображения МРТ и изображения миелина, которые выглядят нормальными;
отбирает подозрительные 3D-участки для дальнейшего анализа;
извлекает ценную структурную информацию, которую могли пропустить традиционные измерения.
В исследовании на 55 пациентах с рассеянным склерозом и 44 здоровых пациентах ИИ различил норму и патологию со средней точностью классификации 87,9%19.
Разработка учёных из Литвы направлена на обнаружение скрытых признаков в нейровизуализации болезни Альцгеймера. Публикация в Diagnostics описывает метод машинного обучения, который классифицирует срезы головного мозга на МРТ‑изображениях20.
Искусственный интеллект был обучен на 61 502 изображениях, а тестирование включало 30 095 образцов. По сравнению с существующими алгоритмами метод показал точность более 99%20.
В январе 2021 года израильский стартап Nano-X Imaging и компания по телерадиологии и телемедицине USARAD Holdings Inc., аккредитованная Совместной комиссией США, объявили о сотрудничестве в запуске программы второго мнения для радиологов, сообщает портал GlobeNewswire21.
Алгоритмы на основе искусственного интеллекта призваны оказать поддержку как в скрининг-диагностике, так и в сортировке при неотложных состояниях (острые переломы, пневмоторакс, пневмония)21.
Сервис планирует привлечь более 300 опытных диагностов. Они помогут провести экспертную оценку рентгенологических исследований. Это актуально при обнаружении опухолевых образований, лёгочных узлов, компрессионных переломов позвонков21.
Российские разработчики СберМедИИ представили сервис «Рентген грудной клетки». В его основе — комплекс нейронных сетей: InсeptionV3, Inсeption ResNet-2 и ResNet-50.
Сервис позволяет:
классифицировать снимки рентгена на наличие патологических изменений;
выявить признаки онкологических заболеваний, пневмонии, туберкулёза;
сформировать готовое заключение и протокол исследования.
«Рентген грудной клетки» благодаря точности более 81% позволяет снизить риск возникновения врачебных ошибок. Скорость приёма пациентов увеличивается на 30% за счёт автоматического распознавания поражённых участков и возможности приоритизации исследований.
Время, которое затрачивает врач-рентгенолог на интерпретацию изображений, различается в зависимости от сложности исследования и квалификации специалиста. Часто требуется сравнить картину с прошлыми снимками, чтобы оценить динамику заболевания. Врач также готовит отчёты, консультирует как пациента, так и других специалистов22.
В будущем искусственный интеллект может ускорить проведение рентгена на всех этапах6,23:
Внедрение комплексной оценки. В настоящий момент ИИ оценивает последнее исследование. Автоматическое сравнение с предыдущими данными даст рентгенологу больше информации о динамике заболевания.
Разработка индивидуальных прогнозов лечения. Искусственный интеллект поможет вычислять вероятность исхода заболевания и оценивать эффективность лечения на основе нескольких диагнозов.
Автоматизация сложных измерений. При проведении рентгена врачу необходимо знать ряд анатомических характеристик, чтобы предположить их отклонение в сторону патологии. ИИ может автоматически и с высокой точностью проводить необходимые вычисления, сохранив время для решения других задач.
Рентгенология может стать передовой областью, в которой искусственный интеллект создаст условия для развития профессиональных навыков и компетентности диагностов. Для этого важно повышать осведомлённость врачей о возможностях ИИ.
Источники
Что такое искусственный интеллект? Электронный ресурс (дата обращения 28.01.2022)
Машинное обучение. Что это и почему это важно? Электронный ресурс (дата обращения 28.01.2022)
Что такое глубокое обучение? 3 вещи, которые вам нужно знать Электронный ресурс (дата обращения 28.01.2022)
Обработка естественного языка (NLP). Что это такое и почему это важно? Электронный ресурс (дата обращения 28.01.2022)
Дэвид Дж. Винкель, Тобиас Хей, Томас Дж Вейкерт и соавт. Оценка программного обеспечения для обнаружения на основе ИИ острых результатов компьютерной томографии брюшной полости: на пути к автоматизированному рабочему списку Приоритизация рутинных КТ-обследований // Invest Radiol. 2019 янв; 54(1):55-59. doi: 10.1097/RLI.0000000000000509
Али Б. Сайед, Адам С. Зога. Искусственный интеллект в радиологии: современные технологии и направления будущего // Semin Musculoskelet Radiol. 2018; 22(05): 540-545. doi: 10.1055/s-0038-1673383
Ханс-Иоахим Ментцель. Искусственный интеллект в оценке изображений и диагностике // Monatsschr Kinderheilkd. 2021 2 июля; 1-9. doi: 10.1007/s00112-021-01230-9
Бера К., Браман Н., Гупта А. и соавт. Прогнозирование исходов рака с помощью радиомики и искусственного интеллекта в радиологии // Nature Reviews Clinical Oncology. 2019. doi: 10.1038/s41571-021-00560-7
Окден-Райнер Л. Изучение крупномасштабных общедоступных наборов данных медицинских изображений // Acad Radiol. 2020 янв; 27(1):106-112. doi: 10.1016/j.acra.2019.10.006
Нирадж Шарма, Лалит М. Аггарвал. Методы автоматизированной сегментации медицинских изображений // J Med Phys. январь-март 2010; 35(1): 3–14. doi: 10.4103/0971-6203.58777
Ши Чжэнхао, Хэ Лифэн. Применение нейронных сетей в обработке медицинских изображений. Материалы Второго международного симпозиума по сетям и сетевой безопасности. 2010.
Натаниэль С. Суинберн, Джавин Шеффлейн, Ю. Сакаи и соавт. Машинное обучение для полуавтоматической классификации глиобластомы, метастазов в головной мозг и лимфомы центральной нервной системы с использованием расширенной магнитно-резонансной томографии // Annals of Translational Medicine. Том 7, № 11 (июнь 2019 г.). URL: https://atm.amegroups.com/article/view/21264
Пей Л., Видьяратне Л., Рахман М.М. и соавт. Глубокое обучение с учетом контекста для сегментации опухоли головного мозга, классификации подтипов и прогнозирования выживания с использованием рентгенологических изображений // Scientific Reports. 2020, 10, 19726. doi: 10.1038/s41598-020-74419-9
Кайфэн Ган, Дингли Сюй, Йиму Линь и соват. Обнаружение переломов дистального отдела лучевой кости искусственным интеллектом: сравнение сверточной нейронной сети и профессиональные оценки // Acta Orthopaedica. 2019, 90:4, 394-400, doi: 10.1080/17453674.2019.1600125
Исследование показало, что искусственный интеллект точно обнаруживает переломы на рентгеновских снимках // Medical Xpress. URL: https://medicalxpress.com/news/2021-12-artificial-intelligence-accurately-fractures-x-rays.html(дата обращения 28.01.2022)
Собирается ли искусственный интеллект преобразовать маммографию? // The Washington Post. URL: https://www.washingtonpost.com/technology/2021/12/21/mammogram-artificial-intelligence-cancer-prediction/ (дата обращения 28.01.2022)
МакКинни С.М., Синек М., Годболе В. и соавт. Международная оценка системы искусственного интеллекта для скрининга рака молочной железы // Nature. 2020, 577, 89–94. doi: 10.1038/s41586-019-1799-6
Добсон Р., Джованнони Дж. Рассеянный склероз – обзор // Eur J Neurol. 2019 янв; 26(1):27-40. doi: 10.1111/en.13819
Ёнджин Ю., Ю.В. Танг Л., Брош Т. и соавт. Глубокое изучение миелина суставов и МРТ-функций T1w в нормальных тканях головного мозга, позволяющее отличить пациентов с рассеянным склерозом от здоровых людей // NeuroImage. Clinical. 2017, 17 , 169–178. doi: 10.1016/j.nicl.2017.10.015
Одусами М., Маскелюнас Р., Дамашевичюс Р. и соавт. Анализ особенностей болезни Альцгеймера: обнаружение ранней стадии по функциональным изменениям мозга в магнитно-резонансных изображениях с использованием точно настроенной сети ResNet18 // Diagnostics. 2021; 11(6):1071. doi: 10.3390/diagnostics11061071
Nanox и USARAD представляют программу второго мнения радиологического ИИ // Globenewswire. URL: https://www.globenewswire.com/fr/news-release/2021/01/05/2153627/0/en/Nanox-and-USARAD-Introduce-Radiology-AI-Second-Opinion-Program.html (дата обращения 28.01.2022)
Мун С.К., Вонг К.Х., Ло С.Б., Ли Ю., и соавт. Искусственный интеллект для службы радиологической диагностики будущего // Front Mol Biosci. 2021 28 января; 7:614258. doi: 10.3389/fmolb.2020.614258
Герас К.Дж., Манн Р.М., Мой Л. Искусственный интеллект для маммографии и цифрового томосинтеза молочной железы: современные концепции и перспективы на будущее // Radiology. 2019; 293 (2), 246–259. doi: 10.1148/radiol.2019182627
Возможности нейросетей сегодня используют вовсе не только для генерации текстов, картинок …
13.12.2024
Читать дальше
Магнитно-резонансная томография (МРТ) – это метод исследования внутренних органов и тканей…
02.12.2024
Читать дальше
Искусственный интеллект (ИИ) с 2020 года активно используется в лучевой диагностике в моск…
12.11.2024
Читать дальше