Ученые разработали нейросеть для распознавания рака простаты на снимках МРТ

Команда специалистов из Китая и США разработала алгоритм глубокого машинного обучения на основе сверхточной нейронной сети (DCNN), который позволяет отличать рак от доброкачественных заболеваний предстательной железы на снимках МРТ. В проведенном исследовании искусственный интеллект превзошел в точности ранее созданные компьютерные алгоритмы неглубокого обучения, распознающие объекты на изображениях с помощью модели «мешка слов» и функции SIFT. Авторы полагают, что новую нейросеть можно будет использовать для работы со снимками МРТ, КТ и ПЭТ не только простаты, но и других органов.

В настоящее время МРТ-изображения предстательной железы оцениваются специалистами вручную. Точность диагностики во многом зависит от опыта и квалификации врача. Недавно проведенный мета-анализ показал, что специфичность данного метода при выявлении рака предстательной железы (РПЖ) составляет 73%, а чувствительность 83%. Внедрение алгоритмов машинного обучения в повседневную практику могло упростить работу специалистов и снизить частоту ошибок.

Машинное обучение (МО) — это область искусственного интеллекта, которая применяет различные статистические методы, теории вероятностей и инструменты оптимизации, чтобы выделить знания из представленных данных, а затем использовать их для анализа новых данных и составления прогнозов. Одной из основных технологий МО является технология распознавания изображений.

К традиционным методам распознавания изображений относятся метод опорных векторов (SVM), искусственные нейронные сети (ANN), байесовские сети (BN), деревья решений (DT) и метод ближайшего соседа (k-NN). Все они используют заданные экспертом функции изображения (такие как текстура, форма и плотность пикселей) и готовые системы классификации. Такие алгоритмы еще называют алгоритмами неглубокого машинного обучения (АНМО). В медицине их применяют для распознавании рака молочной железы, нейродегенеративных, психических и ряда других заболеваний. Недостатком АНМО является то, что они недостаточно эффективно определяют признаки, характерные для конкретной патологии.

В отличие от АНМО, алгоритмы глубокого обучение (АГМО) используют в своей работе нейросети, способные моделировать высокоуровневые абстракции в данных. Наблюдение (например, изображение) может быть представлено многими способами, такими как вектор интенсивности значений на пиксель или (в более абстрактной форме) как множество примитивов, областей определенной формы и т. д. Некоторые представления позволяют легче решать поставленные задачи. Применение глубокого обучения автоматизирует сам процесс выбора и настройки признаков, проводя обучение признаков без учителя или с частичным привлечением учителя.

Способность алгоритмов глубокого обучения с высокой точностью распознавать объекты на изображениях позволяет использовать их для классификации медицинских снимков и автоматической диагностики заболеваний.

Группа китайских и американских исследователей создала алгоритм глубокого машинного обучения на основе сверхточной нейросети (DCCN) для выявления РПЖ на снимках МРТ, затем проверила точность его использования в клиническом исследовании с участием 172 пациентов. Эффективность нового алгоритма сравнивалась с ранее разработанным неглубоким методом машинного обучения, в котором для распознавания изображений используются модель «мешка слов» (bag-of-word, BoW) и функция SIFT (до появления АГМО этот алгоритм демонстрировал себя как лучший метод компьютерной диагностики).

Всего у 172 пациентов было получено 2602 морфологических изображения (аксиальных 2D T2-взвешенных) предстательной железы. Алгоритмы глубокого и неглубокого обучения были использованы для выявления различий между злокачественными образованиями и доброкачественными заболеваниями простаты (простатитом и гиперплазией). Точность методик оценивалась с помощью ROC-анализа.

При полностью автоматизированном выявлении пациентов с РПЖ алгоритм глубокого обучения на основе DCCN имел большую площадь по кривой рабочей характеристики приемника (AUC), чем алгоритм неглубокого обучения (0,87 и 0,70 соответственно).

Результаты исследования были опубликованы в Scientific Reports.

Источник: Sci Rep. 2017 Nov 13;7(1):15415. doi: 10.1038/s41598-017-15720-y.