Нейросеть университета Иннополис диагностирует Короновирус

Нейросеть университета Иннополис диагностирует Короновирус

12 May 2020
129
Прослушать

Ученые из университета Иннополис научили нейросеть диагностировать признаки COVID-19 на основании медицинский снимков с точностью 80%.

Разработчики Центра искусственного интеллекта российского ИТ-вуза обучали ИИ на 28 тысячах медицинских изображений лёгких здоровых людей и пациентов с разными видами пневмонии. Кроме того, на момент начального обучения у них в базе было 94 изображения, полученных у больных коронавирусом. Следующим этапом разработки должен стать запуск онлайн-сервиса, помогающего врачам при массовой диагностике во всём мире в режиме реального времени выявлять больных с развившейся коронавирусной пневмонией.

Проекты с использованием технологий искусственного интеллекта для различных сфер индустрии и медицины университет Иннополис осуществляет с 2014 года. Центр компетенций вуза в области машинного обучения, компьютерного зрения и анализа данных реализует целый ряд научно-технических проектов в различных прикладных отраслях: медицине, геоинформационных системах, энергетике, промышленном производстве с использованием технологий искусственного интеллекта.

Шесть лет назад командой Центра искусственного интеллекта на основе нейронных сетей начата разработка алгоритмов и сервисов распознавания медицинских изображений на базе рентгеновских изображений органов грудной полости, КТ- и МРТ-изображений различных органов. Одной из них стал алгоритм обнаружения признаков пневмонии по рентгеновским изображениям.

Лаборатория искусственного интеллекта анализирует медицинские рентгенограммы. Её коллектив в настоящее время работает над методами сегментации легочного поля, сердца и ключицы на рентгеновских снимках органов грудной клетки.

Областью их интересов являются исследования, направленные на решение проблем рентгенологического обследования органов грудной клетки (классификация норм и патологий), точной дифференциальной диагностики и локализации патологии на снимке. Кроме того, с помощью рентгеновских изображений исследовательская группа выполняет другие виды визуальной диагностики, такие как компьютерная томография: сегментация почек и опухолей.

Основными инструментами являются методы машинного и глубокого обучения: глубокие нейронные сети для классификации, архитектура кодера-декодера для сегментации, шумоподавляющие авто-кодеры. Например, врачи-рентгенологи часто пропускают патологию на рентгеновских изображениях органов грудной полости, касающиеся небольших очагов, скрытых тенями ребер и ключиц. Упростить обнаружение такой патологии можно с помощью на снимках подавления костного каркаса. Подавление костного каркаса на одном из этапов автоматической обработки рентгенограмм может привести к повышению точности классификации изображений.

Исследовательская группа участвует в открытых конкурсах, сотрудничает с международными университетами и ведущими республиканскими медицинскими организациями: клиническим противотуберкулезным диспансером, первой клинической больницей, центром клинической онкологии и др.

В последнее время искусственный интеллект, использующий технологию глубокого обучения в области медицинской визуализации из-за его высокой способности извлечения признаков, выходит на первый план. Пульмонологами широко обсуждались результаты глубокого обучения, в ходе которых выявлялась и дифференцировалась бактериальная и вирусная пневмония на рентгенограммах у детей, многочисленные попытки разработчиков ИИ обнаружить различные особенности визуализации КТ грудной клетки. Сегодня уже ни у кого не вызывает сомнения, что модель глубокого обучения может точно определять COVID-19 и дифференцировать его от внебольничной пневмонии и других заболеваний легких.

Поддержка принятия врачебных решений при диагностировании пациентов с подозрением на новую коронавирусную инфекцию происходит с учетом многих факторов, в том числе на основании мазка на микрофлору носа и зёва, анализа крови и другие. В ряде стран, охваченных эпидемией, сохраняется острый дефицит тестов, которые довольно дорого стоят, поэтому анализы делают не всем пациентам, а преимущественно тем, у кого наличествуют тяжёлые симптомы, или тем, кто контактировал с больными COVID-19.

Рентген лёгких в период пандемии остается одним из наиболее доступных вариантов массовой диагностики. Поэтому очень важно не пропустить особые признаки, наблюдаемые на снимках и предварительно диагностируемые как коронавирусная пневмония.

COVID-19 широко распространился по всему миру с тех пор, как первый случай был обнаружен в конце 2019 года. Ранняя диагностика заболевания важна для лечения и изоляции пациентов для предотвращения распространения вируса. Специалистами ИТ-вуза довольно оперативно до начала массовой самоизоляции в России была адаптирована модель под решение новых задач. Включив в набор данных алгоритма рентгеновские изображения органов грудной полости инфицированных COVID-19, взятые из открытого датасета на сайте Github и ежедневно пополняемого, ученые научили нейронную сеть выявлять общие признаки патологий, вызванных смертельным заболеванием.

Несмотря на то, что точность нейросети пока недостаточна для повсеместного клинического внедрения, этот метод после доработки окажется полезным при массовых исследованиях легких, объясняет руководитель Центра искусственного интеллекта Университета Иннополис Рамиль Кулеев.

 «Ежегодно в российских ЛПУ в ходе профилактических осмотров и по направлениям врачей проводится более восьмидесяти миллионов флюорографических исследований, по результатам которых выдается около 220 тысяч снимков. Причем, мы предполагаем, что эпидемиологическая обстановка мало изменила количество процедур.

Тестов на вирус гораздо меньше, и они требуют дополнительных ресурсов, поэтому массовый скрининг и анализ снимков органов грудной полости поможет выявлять заболевших коронавирусом среди населения, а также планировать лечение.

Важно, что сервис можно развернуть в облаке, что позволяет подключать к данной системе рентген-кабинеты из труднодоступных и отдаленных поселений. Автоматический анализ данных сможет повысить эффективность диагностики и снизить нагрузку на врачей-рентгенологов».

Алгоритмом и врачем-рентгенологом были независимо проанализированы снимки зараженных опасным вирусом. Предсказания модели о наличии или отсутствии патологии совпадают с описаниями врачей в восьмидесяти процентах случаев. Кроме этого, алгоритм не ошибся в тринадцати процентах из ста в ситуациях, когда врач не сумел определить патологию. Ученые полагают, что как только размеры датасетов рентгеновских изображений с коронавирусом существенно пополнятся, точность алгоритмов возрастет.

В мире здравоохранения одной из основных проблем, с которыми сталкиваются медицинские работники, является правильная диагностика состояний и заболеваний пациентов. Неспособность правильно диагностировать состояние является проблемой, как для пациента, так и для врача. 

Заведующим рентгенодиагностическим отделением Республиканского клинического противотуберкулёзного диспансера Татарстана Сергеем Коноваловым тоже подтверждается это утверждение.

«Врач-клиницист, столкнувшийся с пациентом, имеющим с признаки коронавирусной инфекции, имеет в своем арсенале довольно ограниченный набор инструментов. Это затрудняет оперативное выявление признаков заболевания.

Рентгенологические исследования органов грудной полости являются объективными инструментами для выявления изменений в легких, которые могут быть определены, как признаки развития коронавирусной пневмонии. Результаты цифровой рентгенографии, оперативно полученные врачами, помогут в выявлении у больных COVID-19 прогрессирующих изменений в легких.

С помощью программного обеспечения для автоматического распознавания признаков заболевания по рентгеновским изображениям работа врача-клинициста будет упрощена. Одновременно повысится эффективность диагностики, когда необходимо проведение неотложных исследований, в том числе в случаях невозможности осуществления моментального анализа исследования врачом-рентгенологом».

Однако, подчеркивает эксперт, остаются вопросы, касающиеся встраивания системы на основе искусственного интеллекта в алгоритмы диагностики коронавирусной инфекции. Их решение важно для обеспечения максимальной оперативности выявления развивающихся патологических изменений в легких, чтобы своевременно принять неотложные меры по эффективному лечению.

Ведущим научным сотрудником Университета Иннополиса Булатом Ибрагимовым отмечается, что одной из главных проблем ранней диагностики заболевания, требующейся для своевременного начала лечения пациента и минимизации его контактов с окружающими, является отсутствие достаточного количества лабораторных тестов для COVID-19.

Опубликованные журналом «Radiology» исследования КТ-снимков пассажиров с корабля «Diamond Princess» показывают, у более половины пассажиров, еще не почувствовавших симптомы заболевания, уже имелись затемнения в легочных полях.

«Диагностическим потенциалом также обладают флюорографические исследования — более дешёвый, безопасный и распространённый инструмент для анализа органов грудной клетки. Нашей командой уже разработаны методы диагностики заболеваний лёгких и алгоритмы для диагностики пневмонии с участием искусственного интеллекта на близком к врачам уровне».

Ученый подчеркивает, что анализ снимков не заменяет использование лабораторных тестов, но может стать серьёзной помощью там, где доступ к тестам затруднён.

Разработанная модель глубокого обучения, уже сегодня достаточно надежно умеет дифференцировать COVID-19. Её результаты показывают, что подход машинного обучения, использующий модель сверточных сетей, позволяет отличить COVID-19 от внебольничной пневмонии. Если мы сможем правильно диагностировать состояние пациента, у нас есть потенциал для решения всех вышеупомянутых проблем. Модели глубокого обучения, которые могут классифицировать состояние пациента, помогать в постановке правильного диагноза, определять степень серьезности состояния, важны не только для медицинских работников, которые смогут использовать их для лучшей диагностики. Они нужны пациентам, которые без задержки получат надлежащее лечение.

По материалам СМИ подготовила Надежда Данилова