МРТ позвоночника и искусственный интеллект
Магнитно-резонансная томография (МРТ) – это метод исследования внутренних органов и тканей…
02.12.2024
Читать дальше
О нас
Наши решения
Ресурсный центр
Директор департамента по продуктам разработчика ИИ-решений в сфере медицины СберМедИИ Елена Соколова о том, как ИИ изменил подход к компьютерной томографии (КТ) легких.
В мае 2020 года московское правительство сообщило, что искусственный интеллект всего за две недели обработал 30 тысяч КТ-исследований легких в Москве. Технология активно применялась в стационарах и амбулаторных КТ-центрах, где был сосредоточен основной поток пациентов с COVID-19.
На тот момент в России насчитывалось уже 114 431 больных. И вслед за Москвой использованием ИИ-технологий в интерпретации КТ легких заинтересовались другие регионы.
Сервис «КТ Легких» разрабатывался Лабораторией ИИ Сбера и СберМедИИ для помощи рентгенологам в начале пандемии. Уже с первым релизом мы получили много запросов из регионов и тут же начали пилотировать сервис. Разбираемся, что сделало столь актуальным повсеместное использование ИИ в обработке КТ-снимков в пандемию, как работает эта технология сегодня и в чем конкретно она помогает врачам.
Компьютерная томография (КТ) давно стала привычным методом диагностики в медицине. Но появление ИИ-технологий многое изменило и в методе проведения исследования, и в скорости интерпретации его результатов. У врача-рентгенолога теперь есть помощник, который может быстро обработать множество снимков, выделить на них потенциально опасные участки и сразу обратить внимание врача на патологию. ИИ с высокой точностью высчитает долю поражения и сформирует предварительное заключение, которое потом верифицирует врач. Особенно сильно такая помощь понадобилась врачам, когда больницы и поликлиники стали принимать сотни и тысячи пациентов с ковидом.
В самом начале пандемии КТ-обследование для оценки динамики заболевания проводилось пациентам в первый и на третий день после начала терапии. Рентгенологи вручную высчитывали долю поражения и выдавали заключение о динамике развития болезни. По этим данным оценивалась эффективность проводимой терапии и выбиралась действенная методика лечения, которая могла бы помочь большему числу пациентов и спасти как можно больше жизней.
В СберМедИИ понимали эти «боли» врачей и поэтому работали над созданием технологии, которая упростила и ускорила бы процессы исследования, а также ранжировала пациентов по степени тяжести. Важно было не упускать драгоценное время и в первую очередь анализировать КТ-снимки наиболее сложных пациентов, особо сильно нуждающихся в быстром отслеживании динамики развития болезни.
Времени на создание сервиса было мало. На фоне пандемии нагрузка на рентгенологов с каждым днем возрастала, они работали день и ночь. Было всего две недели на создание первой версии модели, а основную трудность представлял поиск врачей для разметки собранных датасетов, потому что все рентгенологи были задействованы «в полях» и работали в несколько смен.
Однако опытные рентгенологи из московских клиник нашли время на участие в проекте, разметили данные и выделили на снимках пораженные области. Модель обучили на исследованиях, включавших суммарно более 100 тысяч срезов и в рекордно короткие сроки начали запускать первые пилоты.
Это была настоящая проверка. Разработчики оперативно собирали обратную связь, дообучали модели, решали технические вопросы. Например, в одном из регионов модель во время пилотирования показала более низкое качество результатов. Выяснилось, что клиники региона работают на оборудовании, снимки с которого не попали в первоначальную обучающую выборку (эта проблема часто встречается при создании медицинских ИИ-сервисов). Разработчики быстро собрали дополнительный датасет, дообучили модель и решили вопрос. В итоге внедрение разработок СберМедИИ в региональных клиниках и больницах позволило на 20% сократить время получения результатов анализа снимков. Разработанная модель постоянно совершенствуется, проходит обучение с экспертом на новых данных.
Процесс работы алгоритма делится на несколько этапов: сначала идет предварительная подготовка снимков, затем проводится сегментация изображения и автоматически выделяются патологические участки. Далее ИИ распознает объекты, дает количественную оценку выявленных патологических участков и формирует предварительное заключение с описанием исследования. На последнем этапе заключение верифицирует врач-рентгенолог клиники или, при необходимости, врач Медицинского цифрового диагностического центра (MDDC), цифровой платформы СберМедИИ.
Не только в России, но и во всем мире разработчики в пандемию совершенствовали технологии диагностики заболеваний легких с помощью ИИ.
Например, в США группа ученых попыталась понять, насколько успешно разные модели ИИ выявляют признаки COVID-19 по КТ-снимкам грудной клетки.
Разработчики протестировали две классификационные модели: полная 3D-модель изучала всю область легких, преобразовывая изображение в соответствии с заданными размерами, а гибридная 3D-модель строила изображение на основе нескольких томографических срезов. Всего для обучения и тестирования технологии было использовано 2 724 сканирования 2 617 пациентов, в том числе с подтвержденным коронавирусом.
Эксперимент показал, что полная 3D-модель правильно определяет признаки COVID-19 у 87 из 109 пациентов, а гибридная модель — только у 74 из 109. Ученые также обратили внимание на то, что машина лучше распознавала раннюю пневмонию и хуже справлялась с диагностикой прогрессирующего течения заболевания.
Проблемой тут же заинтересовались ученые из Китая. Их нейронная сеть CovNet научилась различать признаки коронавируса и внебольничной пневмонии. Принцип работы трехмерной модели был представлен в журнале Radiology: в качестве входных данных сеть использует фрагменты КТ-снимка, потом генерирует функцию для соответствующих фрагментов, объединяет извлеченные элементы с составлением карты функций и под конец оценивает вероятность для каждой патологии — пневмонии при COVID-19, внебольничной пневмонии и заболеваний, не являющихся пневмонией. Для визуализации пораженных зон ученые ввели тепловые карты. Алгоритм выделяет красным цветом подозрительные области для каждого прогнозируемого класса и акцентирует таким образом на них внимание рентгенолога.
Выяснилось, что CovNet безошибочно выявляет ковидную пневмонию в подавляющем большинстве случаев. Чувствительность сети при обнаружении COVID-19 составила 90%, а специфичность — 96%.
Наряду с диагностикой COVID-19 ученые также не прекращали ранее начатой работы по выявлению на КТ с помощью ИИ признаков и других заболеваний, того же рака легких, от которого во всем мире ежегодно умирает около 1,6 млн человек. Например, в Массачусетском технологическом институте (MIT) группа ученых разработала модель глубокого обучения для прогнозирования будущего риска рака с громким названием Sybil (по аналогии с древнегреческими странствующими пророчицами сивиллами).
Модель обучали на основе снимков, собранных в ходе национального исследования по скринингу легких, которое проводилось с 2002 по 2004 год.
До тестирования Sybil на КТ-снимках без явных признаков рака команда разметила сотни снимков с явными злокачественными образованиями: надо было научить машину адекватно оценить все риски. В ходе эксперимента выяснилось, что модель видела потенциальные риски даже там, где люди не могли определить местонахождение злокачественной опухоли в теле.
В России тоже шла работа в этом направлении. Так, в 2021 году разработчики СберМедИИ дообучили алгоритм «КТ Легких» определять ранние признаки онкологических заболеваний. Машина отмечает области возможных патологий цветовыми подсказками, ранжирует медицинские снимки по степени вероятности наличия патологии и формирует предварительное заключение. Если ИИ «видит» новообразование размером в 4 мм, он выделяет все узелки на снимке независимо от их размера.
Далее исследование проверяется рентгенологом медучреждения или направляется врачу MDDC для верификации. Если у человека выявлен высокий риск онкологии, его сразу направляют в онкодиспансер, где врачи принимают решение о его дообследовании и дальнейшей маршрутизации.
Усовершенствованный сервис «КТ Легких» в апреле-мае 2022 года пилотировался в Нижегородской области. ИИ проанализировал там 5121 исследований, обнаружив 184 случай возможных новообразований. После верификации врачами 124 результата КТ легких были направлены в Нижегородский онкодиспансер.
Позже, в октябре 2022 года, был проведен пилот технологии в Областной клинической больнице №3 в Челябинске, где ИИ проанализировал 261 исследование и выявил 68 подозрений на онкологическое заболевание. 13 случаев с подозрением на злокачественное новообразование были верифицированы врачами.
Сегодня решения с применением ИИ уже показали свою эффективность при анализе КТ легких. Возможности такой диагностики расширяются день ото дня, создаются мультицелевые сервисы для обнаружения сразу нескольких патологий по КТ органов грудной клетки.
ИИ обнаруживает любые малозаметные патологии, сокращает время интерпретации изображения и повышает клиническую достоверность результатов, параллельно увеличивая пропускную способность пациентов. У врача обычно уходит много времени на измерение и расчет области поражения, а сервис делает это автоматически, быстро и точно вычисляет долю поражения легкого, врачу остается только проверить и подтвердить результаты. В будущем мы, возможно, придем к тому, что все визуальные медицинские исследования будут подвергаться сначала интерпретации алгоритмами ИИ, а затем верифицироваться врачом. Такой подход снизит нагрузку на рентгенологов и число диагностических ошибок, поскольку врач, как правило, сосредоточен на поиске конкретной патологии, а мультицелевой алгоритм всегда действует одинаково и может увидеть то, что случайно мог не различить человеческий глаз.
Источник: Газета.Ru
Изображение: Даша Зайцева/«Газета.Ru»
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
Технологии продолжают активно развиваться, и искусственный интеллект в стоматологии тоже н…
10.11.2024
Читать дальше