8 примеров практического применения машинного обучения в радиологии

17 Jul 2018
1053
Прослушать

Искусственный интеллект (artificial intelligence, AI) и машинное обучение часто смешивают друг с другом, но эти термины не совсем взаимозаменяемы. Машинное обучение — это область науки о данных, характерной чертой которой является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. При этом алгоритм не программируется по определенным правилам. AI - это более объемный термин, используемый для описания компьютеров, выполняющих "умные" функции, такие как решение задач, планирование, распознавание голоса и языка и, в том числе, обучение. Т.е. машинное обучение — это один из типов AI.

Сегодня в радиологи машинное обучение (МО) используется для различных целей, и главные из них, как следует из данных исследования, опубликованного в журнале Radiology, следующие:

  1. Определение порядка обследования и скрининг пациентов.

Технология МО позволяет уменьшить количество людей, не прошедших скрининг. Такие решения позволяют идентифицировать пациентов, которые вероятнее всего пропустят назначенное время и не будут использовать радиологическое лечение. Такая технология позволит повысить охват скрининга.

  1. Получение изображений

Машинное обучение может сделать системы визуализации более "умными". Методы МО могут помочь снизить время, необходимое для получения изображений, а также снизить число ненужных снимков, улучшить позиционирование и повысить характеризацию найденных объектов.

  1. Автоматическая обнаружение результатов

В частности, машинное обучение может удалять случайные результаты, а также помогает обнаруживать критически важные данные. Причем делает это с высокой точностью и существенно быстрее специалистов.

  1. Автоматическая интерпретация находок

Интерпретация обнаруженных объектов и данных в радиологии требует очень высокой квалификации, опыта и умения принимать решения для каждого отдельного случая. Технология на базе МО может использоваться радиологами для улучшения качества такой интерпретации.

  1. Постпроцессинг: сегментация изображений, регистрация и количественная оценка
  2. Качественный анализ изображений

Качество изображений очень много значит в радиологии, и машинное обучение может улучшить рабочие процесс в этой сфере. Радиологам требуется очень много времени для оценки качества большого количества изображений. Сегодня уже разработаны алгоритмы, которые могут подменять специалистов при оценке качества.

  1. Автоматическая оценка дозы излучения

Алгоритмы МО могут помочь радиологам и другим специалистам оценить дозу перед собственно процедурой. Использование такой технологии позволяет снизить дозу, получаемую пациентом, что является одной из целей современной радиологии.

  1. Отчетность и аналитика

Использование алгоритмов машинного обучения для обработки естественного языка предоставляет возможность извлекать данные из надиктованных отчетов радиологов и даже отслеживать рекомендации, сделанные радиологами для врачей в своих аудио-отчетах.