Распознавание изображений с помощью машинного обучения — это не только про тексты, лица и номера автомобилей. Нейросети помогают врачам в постановке диагнозов, ищут по томограммам шизофрению, а по фотографиям — болезни кожи. Вместе с врачом-рентгенологом разбираемся, как это работает. 


Дарья Венидиктова, научный сотрудник проблемной научно-исследовательской лаборатории «Диагностические исследования и малоинвазивные технологии» СГМУ, врач УЗД, врач-рентгенолог.


Нейросети и использование машинного обучения в здравоохранении — однозначно актуальная, модная и перспективная сфера на стыке «медицина — программирование». Они дают множество новых возможностей. Нейросети прекрасны, если их рассматривать не как замену врача, а как инструмент, помогающий специалисту в условиях повышенной нагрузки, которая вызывает быстрое эмоциональное выгорание, усталость и снижение внимания. 

Какие изображения мы умеем получать?

Кожу или лицо можно сфотографировать обычной камерой. Специальные приборы, например аппарат УЗИ, позволяют увидеть внутренние органы. Сканирование неслышимым, но фиксируемым техникой ультразвуком — самый доступный сегодня по соотношению «цена — качество» метод выявления заболеваний и наблюдения за ними. 

Ультразвуковое исследование печени

Следующий — компьютерная томография внутренних органов (КТ). Метод основан на ослаблении рентгеновского излучения тканями разной плотности. С помощью КТ грудной клетки можно, например, найти патологические изменения легких при курении или после заболевания коронавирусной инфекцией. Важно понимать, что чем серьезнее повреждения, тем проще их обнаружить: рак на КТ выявить нетрудно, бронхит или трахеит — очень сложно, для этого лучше подойдут другие методы исследования. 

Результаты КТ (слева) и их анатомическая раскадровка (справа)

Рентгеновское излучение можно использовать и во многих других исследованиях. Рентгенография (поставили пациента, сделали снимок, пациент ушел) показывает кости и их повреждения, легкие, острые травмы живота, кишечную непроходимость и свободные жидкость или газ в брюшной и плевральной полостях. Рентгеноскопия (поставили пациента, дали выпить бариевую смесь, наблюдаем его некоторое время) позволяет увидеть изменения в желудке, кишечнике, бронхах, наличие свищевых ходов. 

Один из самых точных методов исследования организма — магнитно-резонансная томография (МРТ). При возбуждении ядер атомов водорода электромагнитными волнами атомы способны откликаться — резонировать, изменяя свои магнитные свойства. Этот отклик и обнаруживает прибор. 


Работа сердца в реальном времени, изображения получены с помощью МРТ

Фотографии кожи

Большинство проектов, которые занимаются диагностикой по обычным фотографиям, ищут болезни кожи. Это приложение VisualDX от Apple, подразделение Google Health и белорусский стартап Skinive. Алгоритмы, которые они применяют, являются интеллектуальной собственностью компаний, однако некоторые из них (например созданный Google Health) есть в свободном доступе и их можно разобрать поподробнее.

Общая схема алгоритма Google Health

Чтобы оценить работу нейросети, специалисты из Google Health сравнили полученные данные с оценками сертифицированных врачей-дерматологов. Оказалось, что алгоритм правильно указывает диагноз в 71% случаев, а в 93% случаев реальный диагноз попадает в топ-3, указанных алгоритмом. 

Такая точность сопоставима с уровнем профессиональных дерматологов и выше, чем точность диагнозов, поставленных врачами общей практики и медсестрами. 

В последние годы дерматология получила серьезное развитие и в российских регионах (Москва и Петербург всегда выделялись на общем фоне). Распространение цифровых дерматоскопов не только позволило более точно диагностировать новообразования на коже, но и стало серьезным источником новых данных для последующего обучения нейросетей. 

В областных центрах стало возможным проводить исследование кожи в комплексе, когда мы сочетаем цифровую дерматоскопию, УЗИ кожи высокочастотными датчиками, телеконсультации в рамках системы «дерматолог — врач лучевой диагностики — онколог/косметолог» и использование нейросетей (например мобильных приложений вроде DermoScan). Это нужно врачам для подтверждения своей диагностической мысли или, наоборот, для более детального изучения патологического процесса. 

Фотографии лица

Многие наследственные заболевания можно узнать по изменениям черт лица. Например, у больных синдромом Дауна оно более плоское, рот приоткрыт, нос маленький и есть эпикантус — глазная складка. Недавно компанией FDNA была создана нейросеть DeepGestalt, позволяющая диагностировать 216 генетических заболеваний по фотографии лица. 

Архитектура DeepGestalt

Нейросеть обучалась на 17 106 фотографиях, классифицированных по 216 наследственным заболеваниям. Сейчас DeepGestalt умеет выбирать наследственное заболевание из десяти, предложенных на выбор, с точностью 91%. 

Изображения КТ 

Анализ данных, полученных с использованием КТ с помощью машинного обучения, применяется уже несколько лет, но стал особенно актуален после появления коронавируса, когда поток пациентов заметно увеличился. В России врачам-радиологам помогает Система поддержки принятия врачебных решений (СППВР), которую разрабатывают Центр диагностики и телемедицины Департамента здравоохранения Москвы вместе со Сбером. За время пандемии она проанализировала почти 150 тысяч компьютерных снимков. 

Подразделение Siemens Healthineers работает над AI-Rad Companion Chest CT2, который может рассчитывать размер и объем легких, локализовывать в них очаги поражения, рассчитывать сердечный объем и объем аорты и многое другое. Хотя мы не знаем технических деталей работы этих алгоритмов (они в собственности компаний), можно предположить, как происходит анализ, основываясь на доступных данных. Например, авторы одной из статей использовали методы машинного обучения, чтобы выявить поражение легких, связанное с коронавирусом, у пациентов, больных другими заболеваниями (например раком легких). 

Поражения легких при коронавирусе разной тяжести, детектированные нейронной сетью 

Кроме идентификации поражений и нахождения пациентов с патологиями, исследователи научились восстанавливать истинное изображение легких по серии снимков. Архитектура созданной ими модели — комбинация общего кодировщика и двух разных декодировщиков (одного для реконструкции, другого для сегментации изображения). 

Общая схема сети, использованной в статье

Полученная модель показала очень хороший результат в классификации и сегментации изображений.

Результаты УЗИ

Несмотря на то что этот метод очень распространен, многое в УЗ-диагностике зависит от квалификации врача, его опыта и навыка владения прибором: в отличие от КТ и МРТ, делая УЗИ, врач управляет им вручную. Поэтому дополнительный анализ изображений с помощью методов машинного обучения здесь очень актуален. При этом он невероятно сложен, ведь получаемое изображение напрямую зависит буквально от того, как тот или иной врач держит прибор и ставит руку. Ученые из университета Чжэнцзян разработали метод детекции узлов щитовидной железы с помощью сверточной нейронной сети. В целом, такие узлы не опасны для здоровья, но некоторые из них могут перерождаться в злокачественные опухоли, и поэтому важно находить их на ранних стадиях. 

Архитектура нейронных сетей, используемых для анализа УЗИ щитовидной железы

Другие примеры использования машинного обучения в обработке данных УЗИ — классификация опухолей молочных желез на злокачественные и доброкачественные и оценка стадий фиброза печени.

Когда мы говорим о детекции узловых образований и опухолей, встает вопрос: на каких УЗ-изображениях училась нейросеть? Были ли они сделаны все одним врачом? (У всех докторов, напомним, разные руки, мозг и опыт.) Какие когорты пациентов оценивались? Подобные вопросы стоит предъявлять к любым исследованиям. Ведь нейросети при обучении нужна обратная связь от специалиста, именно он при первоначальном поступлении информации должен ее классифицировать и дать описание. Нейросеть в своем обучении очень зависит от медиков, и именно на этом этапе могут возникнуть сложности в ее развитии. 

Магнитно-резонансные томограммы

МРТ применяют в анализе внутренних органов и тканей, особенно при диагностике происходящего в мозге. Метод позволяет получать трехмерные изображения без лучевой нагрузки на организм. Один из способов улучшить качество картинки и увеличить контрастность — применение нейросетей. Так, например, компания Canon, выпускающая магнитно-резонансные томографы, снабжает их программами с технологией AiCE, основанной на глубоких сверточных сетях и позволяющей реконструировать изображения для достижения большей контрастности. 

Улучшение контрастности в технологии AiCE

Анализ изображений МРТ головного мозга с помощью машинного обучения позволяет находить взаимосвязи прежде не изученных регионов. Например, недавно была разработана сеть, которая может диагностировать шизофрению по результатам МРТ. Это до сих пор малоизученное заболевание, физиологические причины появления которого непонятны. Популярная сейчас теория «распространенной разобщенности» объясняет шизофренические проявления разобщением функционально связанных областей мозга. Методы машинного обучения способны проявить скрытые взаимосвязи между областями мозга, основываясь на большом количестве изображений МРТ. Так исследователями была спроектирована дискриминантная автоэнкодерная сеть, обученная на выборке из 734 образцов МРТ. 

Наиболее разобщенные регионы в мозге больных шизофренией

Обычно шизофрения диагностируется только по анализу поведения и речи пациента, а выработка стабильных биомаркеров болезни, которые позволяли бы узнать ее, например, по анализу МРТ изображений, — нетривиальная задача. Ученые создали модель, которая способна определять шизофрению с точностью в 85%, и выявили участки мозга, наиболее сильно связанные с шизофреническим фенотипом. 

Российская практика и перспективы

Если не брать в расчет Москву, Петербург и крупные научные центры России, то можно увидеть, что нейросети применяются, но мало. Из всех упомянутых в статье решений в большинстве регионов развита какая-то одна область, например дерматология. И то нейросети используют активные, имеющие уверенную медицинскую позицию доктора, которые стремятся применять все, что дает им наука. 

Часто врачи старше 50 лет не хотят работать с новыми технологиями, а молодые боятся конкуренции с искусственным интеллектом. Есть и проблемы с использованием ПО на рабочем месте: жесткие диски с малым объемом, старое оборудование с пулом «глюков», элементарное отсутствие интернета на рабочих местах. 

Но надо заметить, что даже в Европе (например в ведущей австрийской клинике в Вене) доктора лучевой диагностики практически не используют нейросети, все смотрится врачами самостоятельно (одно исследование оценивают минимум два специалиста), хотя финансовые и технологические возможности там для этого есть. 

Мы ждем, когда нейросети получат повсеместное распространение (и надеемся, что для их использования достаточно будет подключения к интернету, без дорогостоящих программ). Тогда они смогут получать больше данных, а значит, становиться более эффективными и в итоге лучше помогать врачам в их диагностической работе. 

Автор: Руслан Гумеров

Эксперт: Дарья Венидиктова

    Полезные материалы в одной еженедельной рассылке
    Подписывайтесь, не пожалеете.