 |
Ассистент кафедры ЭПУ Николай Староверов: «Нейросети помогут автоматизировать и ускорить работу врача»
Современная система здравоохранения становится все более автоматизированной. Это помогает ускорить и облегчить работу врачей, а также в некоторых случаях избежать ошибок. Сотрудники ЛЭТИ обучили нейросеть выявлять различные заболевания легких на рентгенограммах. О том, каковы перспективы у машинного обучения в сфере медицины и заменит ли в будущем нейросеть человека, рассказал ассистент кафедры электронных приборов и устройств СПбГЭТУ «ЛЭТИ» Николай Евгеньевич Староверов.
— Что собой представляет разработанная вами нейросеть для выявления патологий легких? Каков ее принцип работы?
— Существует несколько типов нейросетей. Среди них, например, нейросети для классификации, детектирования или сегментации. Мы за основу взяли нейросеть для классификации, которая изначально была обучена распознавать огромное количество изображений из базы данных ImageNet и объединять их примерно в тысячу классов.
— Это какая-то общедоступная база?
— Да, ImageNet — это база, на основе которой проходят соревнования между системами, распознающими изображения с наибольшей точностью. В 2011 году там впервые выиграла сверточная нейронная сеть AlexNet, и это дало хороший толчок для развития машинного обучения. Итак, мы взяли готовую нейросеть, затем обучили ее распознавать рентгеновские снимки из американской открытой базы данных ChestX-ray14. Эта база содержит более ста тысяч снимков грудной клетки, которые разбиты на четырнадцать классов по типу патологии легких. Оказалось, что такое обучение дает не очень высокую точность работы сети, соответственно — большое количество ошибок. Проблема заключалась в наборе данных, который мы взяли для обучения.
— Почему открытый набор данных ChestX-ray14 не подошел?
— Эти снимки не были верифицированы врачами. Например, во многих случаях для снимков не был известен возраст пациента и другие важные детали. Кроме того, у части снимков было очень плохое качество. Поэтому мы провели на этом наборе только предварительное обучение нейросети, а затем взяли совершенно новый набор изображений, предоставленный Мариинской больницей в Санкт-Петербурге. На этих снимках более хорошего качества мы обучили сеть распознавать конкретные патологии грудной клетки.
— То есть, обобщая, можно сказать, что обучение включало два этапа?
— Да, был выполнен так называемый перенос обучения с одной базы данных на другую. То есть нейросеть сначала натренировали на выполнение некой предварительной задачи, а потом «доучили» для необходимой именно нам.
— Вы упомянули, что в базе данных, на основе которой проводилось предварительное обучение, было четырнадцать типов заболеваний легких. Нейросеть в результате способна распознать все из них?
— Нет, мы сократили их число, поскольку в базе ChestX-ray14 снимки различных заболеваний представлены неравномерно. Например, снимков с грыжей там было всего около двухсот. Также мы отказались от выявления рака, поскольку в Мариинской больнице мы не нашли соответствующих данных в достаточном количестве. В результате мы остановились на таких патологиях, как ателектаз, пневмония, гидроторакс, перелом ребер и эмфизема мягких тканей. То есть мы значительно сократили номенклатуру, но сделали гораздо точнее распознавание.
— Какова точность нейросети? Есть ли вероятность все-таки пропустить заболевание?
— Точность выявления для всех заболеваний превышает 85%.
— Способна ли нейросеть определять причину патологии, или она только показывает врачу, что проблема есть?
— К сожалению, по снимку нейросеть не может определить причину патологии, но обнаружить ее и с высокой долей вероятности утверждать, что это именно она, можно.
— На каких стадиях нейросеть позволяет выявить поражение легких?
— Врач гарантированно способен выявить на рентгенограммах поражения, превышающие 10–15% от общего объема легких. Соответственно, сеть мы обучали только на таких данных, где поражение достигает 10–15%.
— Использовалась ли ваша разработка уже на практике, например во время пандемии коронавируса?
— Мы только проверяли нейросеть на данных из Мариинской больницы и пока больше на практике не использовали, то есть мы в процессе ее подготовки.
— Возможно ли, на ваш взгляд, в будущем полностью автоматизировать диагностику заболеваний с помощью нейросетей?
— С точки зрения техники — наверное, да. Но есть довольно важные вопросы, которые пока неясно, как решать. Например, кто-то ведь должен нести ответственность за постановку диагноза и за ошибки в нем. Нейросеть не может обеспечить точность, равную 100%, но врач тоже не может. Однако, когда врач ошибается, он несет ответственность за поставленный диагноз. А кто будет нести ответственность за ошибки нейросети? Пока это не совсем понятно. На данном этапе я вижу потенциал использования автоматизированных систем только как системы поддержки принятия решений.
— Расскажите об этом подробнее.
— Система поддержки принятия решений показывает врачу, что она видит, например, какую-то патологию и считает, что это определенное заболевание. Врач анализирует эти данные, но итоговое решение принимает всегда сам. То есть здесь система необходима исключительно для помощи врачу, а не для того, чтобы его заменить. Есть нейросети, способные выполнять геометрические построения. Они используются при создании моделей позвоночника для выявления сколиоза. Такие системы позволяют автоматически строить прямые линии, описывающие форму позвоночника, и вычислять угол между ними. Врачу в результате не приходится вручную выполнять такие построения и расчеты. Но дальнейшую работу — ставить диагноз — нейросеть выполнять не способна и вряд ли когда-либо сможет.
— Есть ли на сегодняшний день медицинские направления, в которых в России уже широко используются нейросети?
— В России есть платформа Botkin.AI, в которой довольно широко используются и нейросети, и машинное обучение. Но точно не могу сказать, насколько она уже масштабирована. Вообще, вопрос заключается не в том, можно или нельзя разработать нейросети, а скорее в том, насколько люди готовы их внедрять в клиники.
— В каких отраслях медицины сегодня наиболее широко используются нейросети?
— В основном это скрининговые исследования, то есть поиск заболеваний на ранних стадиях. Сейчас широко используются нейросети для определения по рентгенограммам рака груди и патологий легких. В других сферах внедрение в практику пока довольно слабое.
— Какие исследования позволяет проводить платформа Botkin.AI?
— Она позволяет автоматизировать довольно много различных процессов. В основном она работает со снимками либо компьютерной, либо магнитно-резонансной томографии.
— Какие у вас дальнейшие планы работы с нейросетью?
— Мы планируем расширять эту систему и, наверное, в скором времени начать работать со снимками грудной клетки, полученными с помощью КТ. На них мы будем выявлять кальцинаты — шарообразные скопления солей кальция в тканях — и считать их объемы. Задача достаточно интересная, тем более что тоже поможет автоматизировать и ускорить работу врача.
Контактное лицо: Дарья Бодак
Компания: СПбГЭТУ "ЛЭТИ"
Добавлен: 07:53, 12.07.2022
Количество просмотров: 205
Страна: Россия
| В ТГУ начала работу новая лаборатория, Тольяттинский государственный университет, 07:31, 27.11.2024, Россия42 |  |
| Сотрудники научно-исследовательского института прогрессивных технологий Тольяттинского государственного университета (НИИПТ ТГУ) проводят в ней испытания биорезорбируемых металлических материалов. |
| В Алтайском ГАУ выбрали лучшего зоотехника, ФГБОУ ВО "Алтайский государственный аграрный университет", 04:03, 17.11.2024, Россия61 |
| На Биолого-технологическом факультете Алтайского государственного аграрного университета прошел конкурс профессиональных знаний и умений студентов и молодых ученых «Зоотехник-2024». |
| В Алтайском ГАУ пройдет «Краш-тест проектных идей», ФГБОУ ВО "Алтайский государственный аграрный университет", 02:48, 17.11.2024, Россия54 |
| 13 ноября в «FoodNet-студии» Алтайского государственного аграрного университета состоится «Краш-тест проектных идей», в ходе которого концепции своих проектов представят команды-участники проектно-образовательного интенсива «От идеи к прототипу» Университета 20.35 |
|
|
