Искусственный интеллект (ИИ) —это не кибернетический разум, а система алгоритмов, основанная на машинном обучении. Ученые считают, что в будущем ИИ освободит нас от выполнения рутинных задач во многих сферах. Например, искусственный интеллект может оказать серьезное влияние на медицину.
1.Прогнозирование сердечно-сосудистых факторов риска по фотографиям глазного дна сетчатки с помощью глубокого обучения.
Большинство калькуляторов сердечно-сосудистого риска используют некоторую комбинацию параметров для выявления пациентов с риском возникновения крупного сердечно-сосудистого события или смертности, связанной с сердцем, в течение заранее определенного периода времени, такого как десять лет. Однако некоторые из этих параметров могут быть недоступны. Например, в исследовании электронного сердечно-сосудистого регистра Practice INNovation And CLinical Excellence (PINNACLE) данные, необходимые для расчета 10-летних оценок риска, были доступны менее чем для 30% пациентов. Это было в значительной степени связано с отсутствием значений холестерина, что неудивительно, учитывая, что для получения этих данных требуется забор крови натощак.
Глубокое обучение-это семейство методов машинного обучения, характеризующихся несколькими уровнями вычислений, которые позволяют алгоритму изучать соответствующие прогностические функции на основе примеров, а не требовать, чтобы функции были спроектированы вручную. Недавно глубокие сверточные нейронные сети-особый тип техники глубокого обучения, оптимизированный для изображений,—были применены для создания высокоточных алгоритмов, которые диагностируют заболевания, такие как меланома и диабетическая ретинопатия по медицинским изображениям с точностью, сравнимой с точностью человеческих экспертов.
Были разработаны модели глубокого обучения с использованием изображений глазного дна сетчатки от 48 101 пациента из UK Biobank (http://www.ukbiobank.ac.uk/about-biobank-uk) и 236 234 пациента из EyePACS (http://www.eyepacs.org) и валидировали эти модели с использованием изображений 12 026 пациентов из UK Biobank и 999 пациентов из EyePACS. Средний возраст составил 56,9 ± 8,2 года в наборе данных клинической валидации UK Biobank и 54,9 ± 10,9 года в наборе данных клинической валидации EyePACS-2K. Данные исследований были представлены в таблицах
Исходные данные [1].
Эффективность алгоритма [2].
Точность модели [3].
Поскольку одних изображений сетчатки было достаточно для прогнозирования нескольких сердечно-сосудистых факторов риска в разной степени,учёные рассудили, что изображения могут быть напрямую коррелированы с сердечно-сосудистыми событиями. Поэтому модель была обучена предсказывать начало основных неблагоприятных сердечно-сосудистых событий (MACE) в течение пяти лет.
Несмотря на все успехи в данной области диагностики, предстоит ещё немало работы в направлениях будущих исследований источника этих ассоциаций и возможности их использования для лучшего понимания и профилактики сердечно-сосудистых заболеваний.
2.Возрастной разрыв сетчатки глаза, как прогностический биомаркер риска смертности.
У учёных Китая возникла цель: разработать модель глубокого обучения (DL)[4], которая предсказывает возраст по изображениям глазного дна (возраст сетчатки) и исследовать связь между разрывом в возрасте сетчатки (возраст сетчатки, предсказанный моделью DL минус хронологический возраст) и риском смертности.
В настоящее исследование было включено 80 169 изображений глазного дна, полученных от 46 969 участников UK Biobank с хорошим качеством. Из них 19 200 изображений глазного дна от 11 052 участников без предшествующей истории болезни при базовом обследовании были использованы для обучения и валидации модели DL для прогнозирования возраста с использованием пятикратной перекрестной валидации. В общей сложности 35 913 из оставшихся 35 917 участников имели доступные данные о смертности и были использованы для изучения связи между разрывом в возрасте сетчатки и смертностью.
Модель DL достигла сильной корреляции 0.81 (p<0·001) между возрастом сетчатки и хронологическим возрастом и общей средней абсолютной ошибкой 3.55 лет. Регрессионные модели Кокса показали, что каждое увеличение разрыва в возрасте сетчатки на 1 год было связано с увеличением риска смертности от всех причин на 2% (отношение рисков (HR)=1,02, 95% ДИ 1,00-1,03, р=0,020) и увеличением риска смертности от конкретных причин на 3% относится к не сердечно-сосудистым и не раковым заболеваниям (ОР=1,03, 95% ДИ 1,00 - 1,05, р=0,041) после многомерных корректировок. Существенной связи между разрывом в возрасте сетчатки и смертностью от сердечно - сосудистых или онкологических заболеваний выявлено не было. Следовательно результаты показали, что возрастной разрыв сетчатки глаза может быть потенциальным биомаркером старения, который тесно связан с риском смертности, подразумевая потенциал изображения сетчатки в качестве инструмента скрининга для стратификации риска и проведения индивидуальных вмешательств.
3. Глубокое машинное обучение (искусственный интеллект)при заболеваниях молочной железы.
Рак молочной железы (РМЖ) является наиболее часто встречающимся злокачественным онкологическим заболеванием среди женщин.В мире насчитывается 1 384 155 новых случаев заболевания, и почти 459 000 из них связаны со смертельным исходом. Ультрасонография [5] помогает раннему обнаружению опухолей или состояний, предрасполагающих к ним, например, провести различие между кистозными и солидными образованиями, оценить плотность молочной железы, особенно у молодых женщин с высокой степенью риска РМЖ.
Ding предложил новый метод глубокого обучения для дифференцировки опухолей на доброкачественные и злокачественные. Результаты эксперимента показали, что предлагаемый метод имеет точность 0,91, высокую производительность, и он может быть полезным для систем САО в УЗИ молочных желез.
Han использовали GoogLeNet для классификации изображения молочной железы, при котором точность достигла 90%. Для обучения глубокой нейронной сети проанализировали 4254 образца доброкачественных образований и 3154 образца злокачественных опухолей. Полученных данных было достаточно GoogLeNet для достижения приемлемой производительности.
Производители УЗИ аппаратуры вводят системы автоматизированного обнаружения для помощи клиницистам. S-Detect Breast (Smart Detect for Breast) – программа автоматического обнаружения и анализа образований молочной железы у женщин, измерение и классификация по системе BI- RADS (Breast Imaging Reporting And Data System – международная система описания и обработки данных УЗИ молочной железы). Технология S-Detect продемонстрировала превосходную согласованность (91,2 %) с оценкой радиологом-маммологом при интерпретации характера образований в молочных железах.
4.Возможности ИИ при диагностике рака почки.
В настоящее время нет клинических или рентгенологических признаков,которые точно предсказывали бы гистологию новообразования.Недавно стали использоваться алгоритмы машинного обучения для изучения сложных взаимодействий клинических и визуализационных данных для обеспечения диагностики, прогнозирования, планирования лечения. В связи с ограниченностью традиционной медицинской визуализации растет интерес к радиомике [6], которая предполагает автоматическое извлечение количественных признаков из медицинских изображений. Радиомика может обеспечить новый подход к разработке прогностических инструментов путем корреляции признаков визуализации с такими характеристиками опухоли,как гистология, стратификация опухоли по степени злокачественности,генетические паттерны и молекулярные фенотипы.
Преимущество компьютерной томографии (КТ)-текстурного анализа с методом опорных векторов (SVM) в диагностике почечно-клеточного рака показали H. Yu и соавт. При дифференцировке светло-клеточного рака почки с онкоцитомой AUC составила 0,93, при дифференцировке папиллярного рака почки с онкоцитомой AUC – 0,99, при дифференцировке онкоцитомы с другими опухолями AUC – 0,92. Выявлена эффективная возможность алгоритма различать светлоклеточный и папиллярный варианты рака от других опухолей с AUC 0,91 и
0,92 соответственно.С помощью текстурного анализа КТ-изображений иискусственной нейронной сети L.Yan дифференцировали ангимиолипому,светлоклеточный и папиллярный рак почки с ошибкой 0-9,3%.
Вышеописанный метод показал хороший результат, что требует дальнейшего развития диагностики с использованием неинвазивных визуализируемых маркеров, свидетельствующих о гистопатологическом подтипе, прогнозе и об ответе на терапию.
5. ИИ в распознавании рака лёгкого.
Бурное развитие систем диагностики рака лёгкого на основе данных КТ обусловлено созданием СНС, как основы глубокого обучения, совершенствованием «неглубоких» методов МО, а также их комбинированием. Количество алгоритмов МО, разработанных в последние два десятилетия, посвященных диагностике рака легкого, огромно. Сегодня это целое направление исследований, ориентированное на повышение точности обнаружения и распознавания образований в легких. В настоящее время разработаны две полностью автоматизированные системы диагностики рака лёгкого: Deep Lung и Nodule Х . Авторы этих исследований использовали для обучения и тестирования систем доступные базы данных LIDC и LUNA, которые насчитывают более 1,5 тысяч КТ лёгких.
Существует 4 этапа распознавания рака:
1)Этап сбора данных определяется способом получения медицинских изображений.
2)Основная цель этапа предварительной обработки заключается в обнаружении всех «подозрительных» образований путем фильтрации тканей легких.
3)Целью этапа обнаружения новообразований в лёгком является определение их наличия и локализации.
4) Сокращение числа ложноположительных случаев является наиболее сложным в реализации этапом. Его целью является повышение специфичности диагностического алгоритма МО.
Особенность ИИ – способность самосовершенствоваться в процессе получения новых, даже фрагментарных и неполных обучающих данных, в отличие от медицинского персонала, который должен постоянно обновлять свои знания в рамках повышения квалификации из различных источников. ИИ позволит диагносту принимать более обоснованные решения, избавит его от множества рутинных дел.
6.Применение искусственного интеллекта для оценки экспрессии микрорнк в диагностике рака тела матки.
Эндометриальная карцинома тела матки или рак тела матки (РТМ) — одно из распространенных злокачественных новообразований, развитие которого связано с многими генетическими и средовыми факторами. Одним из подходов к оценке риска его развития новообразований является выявление и определение биомаркеров, в частности микроРНК, предраковых изменений на ранней доклинической стадии, что позволяет проводить своевременную диагностику на ранних стадиях и профилактику.
У Московских учёных возникла цель: выявление специфических паттернов в профиле микроРНК, характерных для развития РТМ и разработка алгоритма оценки для его молекулярной диагностики на основе систем искусственного интеллекта.
С целью формирования списка генов, вовлеченных в развитие РТМ, выполнен анализ реферируемых российских и зарубежных научных статей по следующим ключевым словам: «Uterine Corpus Endometrial Carcinoma», «Endometrial Carcinoma», «diagnostics», «miRNA». Для оценки работы модели использовали данные с The Cancer Genome Atlas (TCGA [7].
На основе данных сформированы две группы: пациенты с раком тела матки (n=129) и когорта пациентов с другими нозологиями, выступающая в качестве контрольной группы (n=1433). Для формирования математической модели и выявления сочетаний генотипов (паттернов), характерных для РТМ, применен набор алгоритмов интеллектуального анализа данных, что позволило выявить эпигенетические маркеры, недоступные для анализа стандартными статистическими методами. Система работает по принципу «черного ящика» автоматически выбирая из ряда встроенных алгоритмов, оптимальный для оценки чувствительности и специфичности.
Анализ выявленных паттернов позволит более точно оценить роль межгенного взаимодействия и экспрессии критичных генов в развитии РТМ. Применение созданного авторами подхода и использование его в анализе данных молекулярного исследования может повысить точность выявления РТМ, и, следовательно, проводить раннюю диагностику аденокарциномы эндометрия. Разработанный подход и также может быть применим для выявления измененной экспрессии микроРНК, характерной для других многофакторных состояний и полигенных заболеваний.
G.S.Lebedev, A.P. Maslyukov, I.A. Shaderkin, A.I. Shaderkina. Глубокое машинное обучение (искусственный интеллект)при заболеваниях молочной железы-https://cyberleninka.ru/article/n/glubokoe-mashinnoe-obuchenie-iskusstvennyy-intellekt-v-ultrazvukovoy-diagnostike
С.А. Рева, И.А. Шадеркин, И.В.Зятчин, С.Б. Петров. Возможности ИИ при диагностике рака почки-https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-onkourologii-obzor-literatury
А.А. Мелдо, Л.В. Уткин , В.М. Моисеенко. ИИ в распознавании рака лёгкого-https://www.elibrary.ru/item.asp?id=36458480
Угаров И.В., Черных В.Б., Иванов Н.В., Шаркова И.В., Масленников В.В., Остапенко Д.К., Соловей В.В. Применение искусственного интеллекта для оценки экспрессии микрорнк в диагностике рака тела матки-https://www.elibrary.ru/item.asp?id=47313269
Comentários