Искусственный интеллект научился выявлять болезнь Альцгеймера на 6 лет раньше врачей

Ученые обучили компьютерную систему выявлять на снимках позитронно-эмиссионной томографии (ПЭТ) первые признаки тяжелого заболевания, трудноразличимые для глаз
Позитронно-эмиссионная томография позволяет оценить метаболическую активность мозга. При болезни Альцгеймера скорость обмена веществ в определённых участках нервной ткани снижается, и искусственный интеллект научился обнаруживать эти едва заметные изменения. 90% снимков послужили для обучения алгоритма, а остальные 10% были задействованы во время тестирования.

В ходе финального испытания система сумела в 100% случаях выявить признаки деменции на снимках 40 пациентов, причем отследила их в среднем на шесть лет раньше, чем был поставлен официальный диагноз.

Мы очень довольны работой алгоритма. Он выявил всех пациентов, у кого впоследствии диагностировали болезнь Альцгеймера, — заявил один из авторов исследования доктор Джае Хо Сон (Jae Ho Sohn).

В свою очередь, профессор Ноэль Шарки (Noel Sharkey) из Университета Шеффилда, Великобритания, заявил, что хотя размер выборки и программа тестов были сравнительно небольшими, полученные результаты очень многообещающи и свидетельствуют о целесообразности более масштабного исследования.

По словам специалистов, более ранняя диагностика болезни Альцгеймера позволит замедлить или даже остановить ее развитие.

Facebook анонсировала исследовательский проект, целью которого является увеличение скорости МРТ-сканирования при помощи технологий искусственного интеллекта
По результатам тренировки нейросеть позволила МРТ-аппаратам быстрее сканировать человеческие органы и выдавать результаты благодаря тому, что оборудованию стало достаточно изучить только некоторые участки тела. Благодаря применению ИИ-алгоритма скорость работы медицинских сканеров увеличилась до 10 раз.

Используя ИИ, можно собирать меньше данных и, как следствие, ускорить сканирование, при этом сохранив или даже расширив богатые информацией МРТ-изображения. Задача состоит в том, чтобы обучить искусственные нейронные сети распознавать базовую структуру изображений, чтобы заполнят пробелы, возникающие при ускоренном сканировании, — говорится в блоге Facebook. — Этот метод похож на то, как люди обрабатывают сенсорную информацию. Когда мы познаем мир, мозг часто получает неполную картину, как в случае с размытыми или тускло освещенными предметами, и впоследствии ее достраивает. Нам нужно использовать эти сведения с пользой для медицины.

В Facebook особо подчеркивают, что обучение ИИ-системы происходило с использованием анонимных данных в полном соответствии с нормами приватности HIPAA.

Ранее в 2018 года телеканал CNBC сообщил, что Facebook ведет с больницами переговоры по поводу обмена данными о пациентах, однако проект был закрыт после его огласки.

Google представила искусственный интеллект для анализа флюорографии органов грудной клетки
Для обучения алгоритма использовали ChestX-ray8 — самую крупную открытую базу данных рентгенологических исследований грудной клетки, которую ведет Национальный институт здравоохранения США (U.S. National Institutes of Health). В каталоге представлено более 110 тыс. флюорографических снимков, связанных с 14 видами заболеваний, а также 880 изображений, на которых сертифицированные рентгенологи выделили 984 областей, показывающих отклонения.

Все снимки пропустили через так называемую сверточную нейронную сеть для того, чтобы отсортировать всю информацию на снимках и закодировать данные, такие как тип заболевания, месторасположение аномалии и т. п.

Потом для получения локальной информации изображение делится на множество областей. Благодаря этому доктора могут быстро выявлять недуги и ставить диагнозы даже без обширных знаний в своей области.

Этот алгоритм превосходит современное машинное обучение, используемое для прогнозирования заболеваний, и, что важнее, выдает аналитическую картину вынесенного компьютером решения для того, чтобы помочь рентгенологам лучше интерпретировать результат, — заявила руководитель отдела исследования и разработок облачного искусственного интеллекта и машинного обучения Google Цзя Ли (Jia Li).

Рентгеновский снимок грудной клетки больного пневмонией
CheXNet обучали на общедоступной базе данных, содержащей более 100 000 рентгенограмм грудной клетки, на которых можно различить 14 патологий. После обучения нейросеть проверили: нескольким рентгенологам предложили провести анализ тестовых рентгеновских снимков, а результаты сопоставили с диагнозами машины. Как оказалось, компьютернаясистема смогла диагностировать пневмонию более точно, чем человек.

Пневмония — опасное и распространенное заболевание, и ее раннее выявление поможет предотвратить множество смертей; только в США от воспаления легких ежегодно погибает около 50 000 человек. Кроме того, пневмония является одной из главных причин детской смертности от инфекционных заболеваний.

Разработчики научили систему помечать разными цветами те отделы легких, где машина «увидела» признаки воспаления легких; чем ярче цвет – тем вероятнее патология. А уже после машинной обработки рентгенограммы просматривает врач, обращая внимание в первую очередь на те области, которые машина пометила как самые «горячие».

Эндрю ЭнДжи (Andrew Ng), соавтор статьи и бывший руководитель группы исследования в области искусственного интеллекта в компании Baidu, полагает, что подобные системы вскоре станут применяться повсеместно. Джеффри Хинтон (Geoffrey Hinton), один из пионеров разработки систем глубинного обучения, считает, что необходимость в обучении новых рентгенологов отпала, а с их функциями вполне может справиться нейросеть. Кроме пневмонии, компьютерные системы также умеют обнаруживать признаки наличия опухолей, нарушения ритма сердца и прочие патологические изменения на рентгеновских снимках, электрокардиограммах и других системах визуализации.

Искусственный интеллект способен радикально повлиять на их деятельность, оптимизировав рабочие процессы, снизив количество обследований и даже оказав помощь в поиске геномных маркеров

Маммографические системы обнаружения с компьютерной обработкой данных существуют более 20 лет и по сути являются единственными программами машинного обучения, которые сегодня широко применяются в диагностической визуализации. Около 90% маммографов используют его, однако с огромной долей сомнения и скептицизма, а в некоторых случаях и с насмешкой, — сообщил Сигель.

Однако, по его словам, использование графических процессоров для машинного обучения привело к значительному увеличению вычислительной мощи. Это облегчило реализацию наиболее требовательных к ресурсам вычислительных методов, таких как глубинное обучение, распознавание изображений и сверточные нейронные сети.

Все это имеет большой потенциал для работы с медицинскими снимками, однако требует тщательной маркировки и составления детальных описаний изображений вручную, а также большого количества исследований по визуализации, добавил эксперт.

Доктор Марк Коли (Marc Kohli) из Калифорнийского университета в Сан-Франциско согласен, что искусственный интеллект все еще далек от клинической практики среднестатистического радиолога, несмотря на многочисленные проекты в Кремниевой долине.

Вместе с тем все больше специалистов по лучевой диагностике получает базовые знания о машинном обучении и применении их на практике. Академики надеются, что растущий интерес к искусственному интеллекту увеличит инвестиции в этой области. При этом специалисты по обработке и анализу данных все чаще вступают во многие академические программы, отмечает Коли.

Доктор Брэдли Эриксон (Bradley Erickson) из клиники Майо в Рочестере (штат Миннесота, США) говорит, что к 2017 году наиболее распространенной областью использования машинного обучения является распознавание речи, однако есть еще много направлений для совершенствования технологии.

По мнению доктора Лучиано Преведелло (Luciano Prevedello) из медицинского центра Университета штата Огайо в Векснере, развитие искусственного интеллекта в радиологии протекает быстро, однако эта сфера все еще находится в зачаточном состоянии.

Преведелло ожидает, что ИИ-решения начнут чаще использоваться к 2019 году для оптимизации рабочих процессов. К примеру, в одной из клиник Огайо уже используются «умные» алгоритмы для поиска снимков компьютерной томографии с критическими показаниями. Использование ИИ для постановки диагнозов по медицинским снимкам будет возможно позднее из-за необходимости проведения многочисленных испытаний перед внедрением, считает доктор.

Доктор Раймонд Гейс (Raymond Geis) из Медицинской школы Университета Колорадо считает, что ИИ полезен для поиска закономерностей в данных и прогнозирования поведения на основе предыдущих моделей, а первые коммерческие ИИ-алгоритмы в радиологии не будут анализировать сами изображения. Скорее, они будут задействованы для составления отчетов на основе выводов врачей.

Коммерческие решения могут использоваться, например, в КТ-сканировании для предупреждения врачей об опасных отклонениях, такик как острое внутричерепное кровоизлияние, предполагает Гейс.

Элиот Сигель видит большие перспективы искусственного интеллекта в специализированных областях: определение переломов тел позвонков, обнаружение и составление характеристик узлов в легких, МРТ и ядерный анализ изображений сердца.

Марк Коли затруднился назвать, какие области будут наиболее важными для клинического использования искусственного интеллекта в радиологии, но выразил мнение о том, что успех проектов будет зависеть от многих факторов, в том числе от правильности интеграции и проверок, а также от решений регуляторов.

Приложения, которым не нужны одобрения регулирующих органов, будут развиваться быстрее, поскольку у властей нет отлаженного механизма, позволяющего разработчикам PACSи других подобных систем предлагать ИИ-софт, созданный сторонними разработчиками, из-за жестких требований к написанию кода, документации и тестированию.

Еще одной проблемой, по мнению Зигеля, являются высокие системные требования к компьютерам, на которых выполняются алгоритмы машинного обучения. Решение этой проблемы могли бы стать облачные сервисы, однако многие радиологи не доверяют им и не активно используют их, отметил он.

Брэдли Эриксон уверен, что искусственный интеллект, в первую очередь, будет полезен для отображения геномных или диагностических свойств, которые радиологи не видят сегодня.

Мы и другие публикуем исследования, показывающие, что глубинное обучение может предсказать геномные маркеры с высокой точностью по обычным изображениям КТ и МРТ, даже если люди мало или вообще ничего не знают об этих признаках», — рассказал Эриксон.