Российские университеты с участием НИУ ВШЭ, Сбер и концерн ИИ Z-union разработали нейросеть, которая по фотографии сетчатки может одновременно оценивать риск 15 видов патологий, включая не только глазные болезни, но и сердечно-сосудистые заболевания. ИИ-система помогает врачу заметить тревожные изменения на ранней стадии, признаки, которые отражаются на состоянии сосудов сетчатки, и понять, нужно ли человеку пройти дополнительное обследование. Работа опубликована в журнале Frontiers in Medicine.
Сетчатку называют окном в организм. Через нее без операции можно увидеть кровеносные сосуды, нервную ткань и обнаружить не только проблемы со зрением, но и признаки сердечно-сосудистых заболеваний, диабета, гипертонии, атеросклероза и других нарушений. В последние годы для диагностики самых разных заболеваний используют системы искусственного интеллекта, которые помогают врачам быстрее и точнее анализировать снимки сетчатки, выявляя признаки различных патологий.
Большинство существующих медицинских нейросетей обучают искать признаки одного конкретного заболевания или небольшой группы близких патологий. Например, один алгоритм оценивает риск диабетической ретинопатии по изменениям сосудов сетчатки, другой выявляет признаки глаукомы по состоянию зрительного нерва. Для проверки нескольких заболеваний врачу приходится использовать разные специализированные модели. Новая разработка российских ученых работает иначе. Она анализирует один снимок и одновременно оценивает вероятность сразу 15 патологий.
Чтобы создать такую систему, российские ученые использовали методы глубокого обучения. Алгоритм проанализировал более 20 тысяч специально собранных снимков глазного дна (20 351 снимок) и научился выделять даже едва заметные изменения сосудов, зрительного нерва и других структур сетчатки. Одной из самых сложных задач стало распознавание редких заболеваний, для которых существует совсем немного медицинских изображений.
Чтобы решить эту проблему, исследователи во время обучения специально чаще показывали нейросети снимки с такими патологиями, каждый раз немного изменяя их, например меняя яркость или поворачивая изображение. Кроме того, алгоритм обучения был настроен так, чтобы ошибки при распознавании редких заболеваний имели для него больший вес, чем ошибки при поиске распространенных болезней. Благодаря этому нейросеть научилась выявлять не только частые, но и редкие патологии.
На модельных данных система показала высокую точность: для разных заболеваний показатель качества модели (ROC AUC) составил от 0,95 до 0,99. Однако медицинская практика гораздо разнообразнее, чем данные, на которых обучается нейросеть, поэтому во время первичной проверки на реальных клинических случаях точность ожидаемо оказалась существенно ниже.
«Мы научили нейросетевую модель распознавать широкий спектр патологий. Наша задача — помочь не пропустить ранние признаки болезни, когда лечение наиболее эффективно. Несмотря на то что для ряда редких патологий получилось значительно повысить качество, работа с редкими заболеваниями все еще остается самой сложной задачей и требует накопления большего объема данных. При этом наша нейросеть выявляет признаки на снимке, которые могут указывать на повышенный риск, но не ставит диагноз, окончательное решение всегда принимает врач», — рассказал один из авторов разработки, ведущий научный сотрудник Лаборатории теоретических основ моделей искусственного интеллекта Института ИИиЦН факультета компьютерных наук НИУ ВШЭ, научный директор Центра практического искусственного интеллекта Сбера Андрей Савченко.
Пока созданная нейросеть остается исследовательским проектом. Следующий этап — масштабные клинические испытания на больших группах пациентов в разных клиниках. Если они подтвердят эффективность системы, искусственный интеллект сможет стать надежным помощником врачей и ускорить выявление многих заболеваний на ранних стадиях.