УДК 608

Применение нейронных сетей в медицинской диагностике

Лю Цзучэн – бакалавр Санкт-Петербургского государственного университета.

Аннотация: Нейронные сети широко используются для анализа медицинских изображений, обработки данных и разработки новых методов диагностики заболеваний. Они позволяют улучшить точность и скорость диагностики, а также обрабатывать большие объемы медицинских данных.

Ключевые слова: нейронные сети, медицинская диагностика, анализ медицинских изображений, точность диагностики, скорость диагностики, обработка медицинских данных, генетический анализ, персонализированное лечение.

Нейронные сети, в основе которых лежит моделирование работы человеческого мозга, оказались крайне эффективными в анализе медицинских изображений, таких как МРТ и КТ сканы. Они демонстрируют улучшение точности и скорости диагностики различных заболеваний, что является значительным прогрессом в медицинской практике. Более того, нейронные сети обладают способностью обрабатывать большие объемы медицинских данных, что открывает возможности применения их для поиска новых молекул и соединений при разработке лекарств. Это позволяет более эффективно и быстро искать потенциальные средства лечения для различных заболеваний, ускоряя процесс разработки лекарственных препаратов.

Правильное выявление заболевания играет значительную роль в определении дальнейшего лечения пациента. Для установления корректного диагноза врачи должны просматривать большое количество информации, включая данные первичного обследования, медицинскую историю пациента, результаты лабораторных и инструментальных исследований, а также возможные консультации других медицинских специалистов [4]. Одной из проблем, с которой сталкиваются врачи в процессе диагностики, является изменчивость заболевания со временем. Характер и ход заболевания могут меняться, требуя оперативной реакции со стороны специалиста. Кроме того, интерпретация результатов исследований играет важную роль, поскольку необходимо принимать во внимание точность и достоверность проведенных тестов.

Другим аспектом, затрудняющим процесс диагностики, является его организация. Время, необходимое для получения результатов тестов, может быть различным, разнообразие форм представления отчетов также оказывает влияние на интерпретацию результатов. Ограниченность человеческого ресурса может привести к утомлению врача, что, в свою очередь, может отразиться на эффективности принятия решений в клинической практике.

Интеллектуальные технологии, основанные на применении искусственного интеллекта (ИИ), дают большую надежду на решение проблем, связанных с проведением точной диагностики и обработкой больших объемов медицинских данных. Сфера компьютерных наук посвящена разработке систем, способных выполнять задачи, обычно связанные с человеческим интеллектом, такие как обучение, запоминание информации и решение проблем. Одной из важных областей искусственного интеллекта является машинное обучение (Machine Learning, ML), которое позволяет компьютерам извлекать закономерности из больших объемов данных путем обучения [3].

Глубокое обучение (Deep Learning, DL) представляет собой специализированную сферу машинного обучения, направленную на автоматическое распознавание и классификацию объектов. Оно обычно основано на многослойных нейронных сетях, способных извлекать сложные закономерности из данных. Кроме того, обработка естественного языка (Natural Language Processing, NLP) является областью искусственного интеллекта, разработанной для обработки и анализа текстовых и устных данных с целью распознавания и понимания естественного языка, а также для выполнения задач, таких как машинный перевод [2].

Применение ИИ в медицине способно восполнять недостаток человеческого ресурса, позволяя обрабатывать большие объемы информации и оказывать поддержку врачам в любое время суток. Это может привести к более точной и быстрой диагностике, а также улучшить качество медицинского ухода в целом. Для того чтобы искусственный интеллект смог эффективно выявлять признаки заболеваний, необходимо обучить его на достоверных медицинских данных. Такие данные могут включать информацию из электронных медицинских карт, результаты клинических лабораторных исследований, генетическую информацию, а также диагностические изображения, такие как сканы и снимки.

Прежде чем использовать эти данные для обучения, они подвергаются процессу аннотирования, который проводят опытные специалисты. Врачи изучают диагностические изображения или результаты электрофизиологических и генетических исследований и добавляют свои заключения, которые становятся основой для работы искусственного интеллекта. Такие заключения могут включать словесные формулировки диагноза или выделенные области патологии на медицинских изображениях. Затем размеченные данные подвергаются обработке с использованием алгоритмов машинного обучения, чтобы научить ИИ достоверно выявлять признаки различных заболеваний на основе предоставленной информации [3].

Не вся информация, содержащаяся в медицинской документации, сразу понятна для искусственного интеллекта. Часто она представляет собой неструктурированные данные, что затрудняет их анализ. Для распознавания и обработки такой информации применяются методы обработки естественного языка (NLP).

Искусственный интеллект имеет потенциал обнаруживать и классифицировать патологические образования, обрабатывая и анализируя изображения, полученные с помощью различных инструментальных методов исследования. Это имеет высокое значение в контексте диагностики определения доброкачественной или злокачественной природы опухоли.

Использование ИИ в медицинской диагностике подразумевает возможность анализа сложных и многомерных данных из образований, которые обычно недоступны для обработки человеческим взором или требуют значительного времени и усилий для анализа со стороны специалиста. С помощью ИИ появляется возможность автоматически выделять характеристики, шаблоны или аномалии на медицинских изображениях, а затем классифицировать их в соответствии с характеристиками здоровых и патологически измененных тканей.

Благодаря этому ИИ может помочь врачам в определении сущности тканевых изменений, например, определении природы опухолей и их потенциальной злокачественности, что, в свою очередь, обеспечивает более точный и ранний диагноз заболеваний и, соответственно, более оперативное лечение. В контексте колоноскопии, искусственный интеллект может эффективно определять злокачественные полипы прямой кишки [3].

В случае скрининговой маммографии, алгоритмы машинного обучения облегчают задачу обнаружения патологических новообразований в молочной железе, включая микрокальцинаты. Сервис «Маммография» от СберМедИИ достоверно выявляет наличие злокачественной опухоли в 93% случаев и ее отсутствие — в 70% случаев, что играет значительную роль в выборе дальнейшей тактики ведения пациента. Визуализация печени с применением искусственного интеллекта позволяет диагностировать очаговые поражения органа, признаки жировой болезни и различать опухоли. Такие технологии стремятся к достоверному обнаружению стадии фиброза без инвазивных методов [1].

В области традиционной рентгенографии, алгоритмы машинного обучения используются для автоматического улучшения качества рентгеновских изображений. Они выполняют изменение резкости и контрастности изображений, а также устранение артефактов, что, в свою очередь, позволяет снизить дозы облучения для пациентов и повысить точность диагноза. Также стоит отметить, что модели на базе искусственного интеллекта в области торакальной визуализации способны детектировать мелкие узловые образования в легких, что может быть сложно заметить при обычном визуальном осмотре рентгеновского снимка.

В сфере медицинской диагностики искусственный интеллект показывает эффективность в выявлении признаков заболеваний, ранней диагностике и классификации образований на основе медицинских изображений и анализа других инструментальных данных.

Искусственный интеллект имеет важное прикладное значение в медицинской диагностике, поскольку он позволяет автоматизировать и усовершенствовать процессы обнаружения различных патологий на основе данных инструментальных исследований. Развитие и внедрение таких технологий способствует улучшению точности и скорости диагностики различных заболеваний, что в свою очередь может улучшить результаты лечения и качество медицинской помощи.

Список литературы

1. Цифровой «коллега»: как искусственный интеллект и нейросети помогают врачам в диагностике //Электронный ресурс. Режим доступа: URL https://sbermed.ai/postanovka-diagnoza-neyrosetyu/ (дата обращения: 22.01.2024).
2. Schork N.J. Artificial intelligence and personalized medicine. Cancer Treat Res. 2019; 178: 265–83.
3. Wang M., Xia C., Huang L., et al. Deep learning-based triage and analysis of lesion burden for COVID-19: a retrospective study with external validation. Lancet Digit Health. 2020; 2 (10): e506–15.
4. What Is Artificial Intelligence? // Электронный ресурс. Режим доступа: URL: https://builtin.com/artificial-intelligence (дата обращения 23.01.2024).