Еще одну нейросеть научили диагностировать проблему по рентгеновскому снимку



    Корпорации Google, IBM и другие достаточно давно работают над созданием ИИ (слабой его формы), который бы мог анализировать рентгеновские снимки. Зачем? Проблема в том, что специалистам по радиологии, да и не только им приходится проводить очень много времени за анализом медицинских снимков. Таких снимков очень много, а просмотреть и дать свой ответ по каждому нужно за определенное время.

    На анализ того же рентгеновского снимка у специалиста остается совсем немного времени. И хорошо, если при просмотре изображения врач свеж и бодр. А что, если он работает уже в конце рабочего дня, после просмотра пары сотен таких же изображений? Человеческий фактор здесь очень силен, и вероятность ошибки возрастает многократно. Для того, чтобы облегчить специалисту задачу, ученые и пытаются использовать возможности искусственного интеллекта.

    Еще одна проблема врачей, которые регулярно просматривают медицинские снимки (не обязательно рентгенограммы) это ошибка «удовлетворения поиска». Она заключается в том, что врач, который смотрит на снимок, обнаружив проблему, может не заниматься поиском остальных, решив, что его предположение верно, и сразу поставить диагноз. Последствия могут быть достаточно тяжелыми для пациента, учитывая то, что выявленная проблема не всегда проявление основного заболевания.

    Сейчас разработкой нейросети, которая проводила бы поиск проявлений различных заболеваний на медицинских снимках занялся коллектив ученых под руководством Эндрю Ына. Специалисты создали нейросеть, которую обучили на примере базы данных, состоящей нескольких десятков тысяч снимков (почти 50 тыс.), полученных из более, чем 14 тысяч медицинских учреждений. При этом каждый из снимков был ранее уже проанализирован медиками, которые поставили диагноз и разметили рентгенограмму как обычную или патологическую.


    Результаты работы нейросети и трех радиологов-врачей

    Эффективность работы нейросети после обучения сравнили с работой трех радиологов-врачей. Как оказалось, в двух случаях нейросеть почти не отставала от человека, и в одном — его превзошла. В целом компьютер правильно определил повреждения в 74,9% случаев. Стоит отметить, что ученые открыли результаты и материалы своего исследования миру. Так, база данных, по которой обучалась нейросеть, выложена в открытый доступ и доступна на сайте Стэнфорда. Она готова для того, чтобы ее можно было использовать для обучения других нейросетей.

    Работают нейросети и с другими типами медицинских снимков. Например, глубокая нейронная сеть учится распознавать следы болезни на снимках позитронно-эмиссионной томографии мозга (ПЭТ). Речь идет о болезни Альцгеймера, которая характеризуется возникновением амилоидных бляшек с замедлением метаболизма мозга.

    Ранее ученые обнаружили, что некоторые виды ПЭТ-сканирования в состоянии выявлять признаки этих негативных состояний. Следовательно, технология может работать для выявления умеренных когнитивных нарушений у людей, нарушений, которые впоследствии приведут к возникновению болезни Альцгеймера.

    Правда, ученым-людям интерпретировать получившиеся изображения достаточно сложно. Но вот нейросеть вполне может с этим справиться благодаря одному-двум маркерам. Для обучения компьютерной системы специалисты использовали изображения мозга 182 человек в возрасте 70 лет со здоровым мозгом и 139 снимков мозга людей примерно того же возраста с диагнозом болезни Альцгеймера. В результате ИИ сумел распознать разницу между здоровым и больным мозгом, причем сделал это с высокой степенью точности — выше 90%.



    Что касается Эндрю Ына и его команды, то они пробуют использовать возможности нейросети и еще для одного проекта. Речь идет о больных очень серьезными заболеваниями пациентах и паллиативной терапии. Нейросеть пытается дать прогноз, насколько серьезно состояние пациента (в основном, речь идет об очень пожилых людях). Если речь идет о прогрессирующей болезни, которая отводит пациенту не более года жизни, то вступает в работу команда паллиативных терапевтов, которые пытаются снять негативные проявления болезни (боль, психологическое состояние и т.п.) в какой-то степени. Проблема в том, что команда должна вступать в работу в определенное время, чтобы эффект был максимален. И здесь нейросеть тоже показывает значительные успехи.

    В целом, ИИ (слабая его форма) сейчас рассматривается учеными в качестве помощника врача, а не альтернативы, если так можно выразиться. Нейросети помогают специалисту выявлять разного рода проблемы, и уже человек-врач ставит точный диагноз, воспользовавшись помощью своих цифровых ассистентов. В результате экономится время и повышается точность диагностики. С течением времени нейросети станут надежными помощниками врачей — сегодня эта практика носит опытный характер, но получаемые результаты внушают здоровый оптимизм в возможностях компьютерной техники в такой сфере, как здравоохранение.
    Поделиться публикацией
    Никаких подозрительных скриптов, только релевантные баннеры. Не релевантные? Пиши на: adv@tmtm.ru с темой «Полундра»

    Зачем оно вам?
    Реклама
    Комментарии 6
    • 0
      Тот неловкий момент, когда гадалка программа ставит диагноз лучше рентгенолога. Недавний случай из жизни: подозрение на переломы в трёх местах. Получена консультация семи врачей — рентгенологов, хирургов, травматологов. Из полученных диагнозов совпали два. Думал не посетить ли ещё врачей для получения всех возможных комбинаций.
      • 0
        Почему сразу лучше? Вот если бы на базе анализов этих ваших семи рентгенологов тренировался бы %сабж%, то вы бы и получили 28.5% вероятности вашего диагноза.
        • 0
          А к чему сослагательное наклонение? Давайте тогда добавим: если бы не прогуливал занятия, был бы внимательным на посещённых, был бы действительно талантлив и способен держать в голове 50 тысяч случаев, перебирать и анализировать их и не страдать от ошибки «удовлетворения поиска». Я абсолютно не идеализирую эту или какую-либо другую программу, но уже сейчас очевидны плюсы: программа может держать «в голове» сколь угодно много реальных случаев, а результат её анализа не зависит от того, сколько она спала за прошедшие двое суток. И хоть она не мыслит в прямом смысле, но она способна систематизировать большие объёмы данных.
      • +1
        200 снимков за 8 рабочих часов — это 480/200 = 2,4 минуты на снимок.
        Это где-же такие монстры работают? :)
        • 0
          Хороший радиолог тратит на заключение по среднему рентгеновскому обследованию минуты полторы-две. Среднее это когда два-три снимка, нет результатов предыдущих обследований с которыми надо сравнивать и случай простой.
          Процесс работы радиолога достаточно хорошо автоматизирован. Открывает файл исследования, там изображения и запрос от врача направившего на обследование. Смотрит на все это и диктует заключение. Дальше следующий файл.
          Так что две с половиной минуты на одно рентгеновское изображение это даже медленно.
        • 0
          Тут главный вопрос не в том, как научить распознавать, а как внедрить в медицинскую практику, иначе все так и останется игрушками для гиков

          Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.