Применение глубокого обучения в медицинской визуализации
Анализ медицинских изображений - это сложный процесс, требующий многолетнего медицинского опыта. Алгоритмы глубокого обучения являются альтернативой для автоматического анализа этих изображений и выявления патологий на основе тысяч предыдущих случаев и опыта, собранного сотнями специалистов. Сегодня искусственный интеллект позволяет принести свой вклад в медицину, по этому мы можем пользоваться таким чудом, как программное обеспечение для медицины уже сегодня. Медицинские изображения являются важнейшими инструментами в медицинской диагностике и мониторинге, поскольку они позволяют специалистам видеть больше того, что видят глаза. После получения этих изображений, будь то рентгенография, УЗИ, ультразвуковое исследование или любой другой способ их получения, они должны быть проанализированы экспертами, которые единственные обучены распознавать закономерности, позволяющие обнаружить аномалии или признаки, которые могут указывать на какую-либо патологию. Во многих случаях этот анализ должен сопровождаться информацией, касающейся пациента, наряду с историей болезни и другими исследованиями или анализами, проведенными различными специалистами, поскольку такая информация и дополнительные данные могут дать подсказки и ответы на вопросы, сомнения или наблюдения, возникающие в процессе анализа медицинских изображений.
Это означает, что правильный анализ медицинского изображения сильно зависит от опыта специалиста, который его изучает, информации о пациенте и других возможных сопутствующих исследований. С другой стороны, компетентность специалиста, выполняющего анализ, будет напрямую связана с количеством опыта и уровнем подготовки, которые он/она приобрел/а за свою карьеру. Это говорит о том, что обработка медицинского изображения требует сложной системы данных, полученных и собранных разными людьми, вместе с большой базой данных опыта, накопленного аналитиком. Следовательно, описанный нами процесс отнюдь не тривиален, это ручной процесс, который требует времени и усилий и подвержен ошибкам. В связи с этим необходимо внедрять интеллектуальные системы, которые помогают медицинским работникам оптимизировать эти процессы, предоставляя им инструменты, помогающие быстро находить такие аномалии, а также безопасно и быстро отбраковывать случаи здоровых пациентов.
Искусственный интеллект в сфере анализа медицинских изображений
Появление искусственного интеллекта, и в частности алгоритмов машинного обучения, дало компьютерам возможность обучаться на примерах, создавая модели, с помощью которых можно анализировать различные входные данные в поисках известных закономерностей, определяя их существование и классифицируя случаи, ранее не встречавшиеся таким моделям. Однако изображения представляют собой проблему, поскольку они состоят из миллионов пикселей, которые содержат числовую информацию об интенсивности света или цвета в каждой точке изображения. Такие пиксели нельзя воспринимать как последовательное представление данных, они должны принадлежать к двумерному (как фотография) или трехмерному (фотография, разложенная по слоям отдельных цветов) матричному представлению. Другими словами, расположение и информация этих пикселей в пространстве изображения будет представлять, в случае фотографии, является ли конкретная точка частью глаза, лепестком цветка или опухолью на рентгеновском снимке грудной клетки. Если мы возьмем все пиксели изображения и попытаемся использовать их в качестве входных данных для обычных алгоритмов машинного обучения, то обнаружим, что они не способны обрабатывать такой большой объем информации (или становятся неудобными для этого). Для того чтобы их можно было использовать на изображениях, они должны быть разложены и упрощены на более абстрактные части. Поэтому если мы хотим определить, какой объект находится на изображении с помощью этих алгоритмов, мы не можем использовать изображение непосредственно в качестве входных данных, но должны указать, сколько на нем глаз, есть ли колеса, есть ли лепестки, есть ли альвеолы в легком и т.д., и/или даже разложить его на более простые формы, такие как сколько горизонтальных линий, сколько кривых, граней, точек или многоугольников, какой цвет преобладает и т.д. Такие правила декомпозиции или определения характеристик изображения должны устанавливаться экспертами, и это также нетривиальный и подверженный ошибкам процесс.
