Что такое искусственный интеллект?

Искусственный интеллект (ИИ) использует компьютерные системы для выполнения задач, которые обычно требуют человеческого интеллекта, таких как распознавание речи и зрительное восприятие. ИИ опирается на технологии и алгоритмы робототехники, машинного обучения и интернета для моделирования работы человеческого мозга. Обладая практически неограниченной вычислительной мощностью и емкостью хранилищ данных, ИИ потенциально способен превзойти возможности человека.

В медицине алгоритмы компьютерного зрения обладают потенциалом распознавания патологий и заболеваний путем оценки цвета, формы и паттернов [1].

Примеры применения ИИ включают:

  • Технологии для беспилотных автомобилей;
  • Алгоритмы распознавания речи для взаимодействия с пользователем, такие как Apple Siri, Amazon Alexa и Google Assistant;
  • Алгоритмы машинного перевода;
  • Идентификация пород собак (сообщалось, что один из алгоритмов достиг точности более 96%);
  • Прогнозирование предпочтений пользователя, например подбор фильмов или таргетированная реклама;
  • Прогнозирование периодов пикового спроса на такси или гибкие трудовые ресурсы [2,3].

Как искусственный интеллект и глубокое обучение применяются в медицине?

Компьютерные алгоритмы глубокого обучения базируются на сверточных нейронных сетях. Нейронные сети построены на вычислительной модели, вдохновленной принципами работы биологического мозга. Множество связанных узлов, называемых искусственными нейронами, функционируют аналогично нейронам головного мозга. Эти системы обучаются выявлять признаки объектов путем обработки размеченных вручную данных, таких как «собака» или «не собака». Выученные признаки затем используются для определения характера нового изображения.

Изображения широко применяются для диагностики травм и заболеваний, а также при изучении анатомии и физиологии человека. К высокотехнологичным методам медицинской визуализации относятся магнитно-резонансная томография (МРТ), двухэнергетическая рентгеновская абсорбциометрия, ультразвуковое исследование (УЗИ) и компьютерная томография (КТ) [4–10].

В медицинской визуализации сверточные нейронные сети применяются для дифференцировки понятий «норма» и «патология». Они обучаются на обширных базах верифицированных медицинских изображений и способны соответствовать уровню человеческого зрения или даже превосходить его при обнаружении патологических изменений в таких областях, как:

  • Рак молочной железы;
  • Опухоли головного мозга;
  • Рак кожи;
  • Болезнь Альцгеймера [11,12].

Данные алгоритмы масштабируются на различные устройства, платформы и операционные системы, что снижает их себестоимость и повышает доступность для диагностики и научных исследований. Университеты, государственные структуры и научные фонды признали широкие возможности ИИ для улучшения ранней диагностики таких заболеваний, как злокачественные новообразования, сердечно-сосудистая патология, сахарный диабет и деменция, и активно инвестируют в этот сектор.

Среди технологий ИИ, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) для клинического применения к сентябрю 2018 года, представлены продукты для:

  • Выявления признаков диабетической ретинопатии на снимках глазного дна;
  • Распознавания признаков инсульта на компьютерных томограммах;
  • Визуализации кровотока в миокарде;
  • Детекции рака кожи по клиническим снимкам, полученным с помощью мобильного приложения.

Как искусственный интеллект применяется в диагностике рака кожи?

По данным Американского фонда по борьбе с раком кожи (Skin Cancer Foundation), ежегодно в США диагностируется больше случаев рака кожи, чем всех остальных видов злокачественных опухолей вместе взятых [13]. Злокачественные новообразования кожи традиционно классифицируют на меланому и немеланомные раки кожи (кератиноцитарные опухоли: базальноклеточный рак и плоскоклеточный рак). Злокачественные опухоли бывает трудно отличить от распространенных доброкачественных поражений кожи, а клиническая картина меланомы отличается крайним полиморфизмом. Это приводит к следующим проблемам:

  • Злокачественные опухоли кожи могут быть пропущены, если ошибочно расценены как доброкачественные;
  • Огромное количество безвредных элементов подвергается неоправданному хирургическому иссечению из соображений онкологической настороженности.

Врачи-дерматовенерологи оценивают кожные новообразования визуально и методом дерматоскопии. Они опираются на опыт распознавания дерматоскопических структур и паттернов, чтобы определить необходимость биопсии или удаления элемента. В последние годы возник колоссальный интерес к внедрению алгоритмов ИИ для содействия диагностике. Для поддержки исследований в этой области сформирован ряд общедоступных датасетов новообразований кожи.

Исследователи из Стэнфордского университета провели классификацию злокачественных новообразований кожи на уровне квалифицированного дерматолога с помощью алгоритма глубокого обучения на базе данных из 129 450 клинических изображений, охватывающих 2032 кожных заболевания [14]. При сопоставлении работы алгоритма с заключениями 21 сертифицированного дерматолога точность классификации нейросетью оказалась сопоставима с результатами признанных экспертов.

Международная ассоциация по визуализации кожи (ISIC) предоставляет масштабный открытый архив, который к сентябрю 2018 года включал 23 906 цифровых дерматоскопических снимков более чем 18 типов новообразований. С 2016 года ISIC проводит ежегодный конкурс по анализу новообразований кожи для детекции меланомы (Skin lesion analysis towards melanoma detection). Победитель конкурса 2017 года продемонстрировал точность свыше 98% при дифференциальной диагностике меланомы и доброкачественных меланоцитарных невусов [15]. В 2018 году ISIC расширила перечень категорий новообразований, включив базальноклеточный рак и актинический кератоз.

Алгоритмы машинного обучения для анализа новообразований кожи

Для создания алгоритма машинного обучения каждому типу новообразований присваивается определенный класс. В простейшем варианте классов всего два: например, «доброкачественное» и «злокачественное» или «невус» и «меланома». Более совершенные мультиклассовые алгоритмы способны дифференцировать множество нозологий.

Перед тем как алгоритм начнет тестироваться на новых изображениях, сверточные нейросети обучаются на массивах снимков для каждого класса. Этот процесс включает три основных этапа (рис. 1).

Этап 1

На первом этапе алгоритм получает цифровые макроскопические или дерматоскопические снимки, верифицированные «эталонным стандартом» (ground truth). В данном контексте эталонным стандартом служит точный клинический диагноз, установленный консилиумом экспертов-дерматологов, либо результат патоморфологического (гистологического) исследования биоптата.

Рисунок 1. Схема обучения классификации различных типов новообразований кожи с помощью глубокого обучения

Схема обучения классификации различных типов новообразований кожи с помощью глубокого обучения. 

Этап 2

На втором этапе сверточные слои (последовательность фильтров, накладываемых на исходное изображение) извлекают карты признаков (feature maps). Карта признаков представляет информацию на различных уровнях абстракции.

  • Начальные сверточные слои выделяют низкоуровневые признаки: края, углы, линии и геометрические формы;
  • Глубокие сверточные слои извлекают высокоуровневые комплексные признаки, характерные для конкретного типа опухоли кожи (рис. 2).

Рисунок 2. Типичные карты признаков, сформированные сверточными нейронными сетями

Типичные карты признаков, сформированные сверточными нейронными сетями. 

Этап 3

На третьем этапе сформированные карты признаков обрабатываются классификатором машинного обучения для распознавания паттернов различных классов новообразований. После этого обученная нейросеть может классифицировать новое, ранее неизвестное ей изображение (рис. 3).

Рисунок 3. Логический вывод (классификация), сформированный алгоритмами глубокого обучения на новом изображении новообразования кожи

Логический вывод (классификация), сформированный алгоритмами глубокого обучения на новом изображении новообразования кожи. 

Критерии правила ABCD

Клиническое правило ABCD используется неспециалистами для первичного скрининга пигментных новообразований кожи: Asymmetry (асимметрия), Border (неровность границ), Colour (неоднородность цвета) и Diameter (диаметр более 6 мм) (рис. 4). См. также расширенное правило ABCDE при меланоме, включающее пункт E — Evolution (эволюция, изменение признаков со временем).

A (Асимметрия): оценивается соответствие двух половин новообразования по форме и цвету. Элемент мысленно делится пополам по длинной оси, а затем по короткой. Для меланомы характерна выраженная асимметрия.

B (Край/граница): оценивается, являются ли границы образования четкими и ровными или же зубчатыми, фестончатыми и размытыми. Злокачественные опухоли кожи склонны иметь неровные контуры.

C (Цвет): анализируется количество и вариабельность цветовых оттенков в пределах очага. Меланома и пигментный базальноклеточный рак нередко включают от 3 до 6 оттенков (черный, светло-коричневый, темно-коричневый, серый, голубой/синий, розовый/красный и белый). Для доброкачественных невусов и эфелид (веснушек) свойственны один или два равномерно распределенных оттенка.

D (Диаметр): измерение наибольшего размера очага. Диаметр злокачественных опухолей обычно превышает 6 мм (размер ластика на конце карандаша).

Рисунок 4. Правило ABCD для скрининга рака кожи

Янг (Yang) и соавторы предложили интегрировать правило ABCD в алгоритмы обработки изображений и машинного обучения [16]. Они сравнили диагностическую точность своей системы с показателями врачей (терапевтов, начинающих ординаторов и опытных дерматологов) и классических архитектур глубокого обучения (табл. 1).

Система обучалась на датасете SD-198, содержащем 6584 клинических снимка 198 различных нозологий, путем выделения низкоуровневых признаков трех визуальных компонентов: текстуры, цвета и границ. Разработанная система компьютерной диагностики (CAD) превзошла глубокие нейросети VGG-Net и ResNet и показала результаты, сопоставимые с уровнем начинающих врачей. Тем не менее, ведущие врачи-дерматологи продемонстрировали статистически значимое превосходство над системой CAD.

Другие исследования в области машинного обучения при раке кожи

Корпорация IBM разрабатывает инструмент ИИ на платформе Watson для анализа изображений новообразований кожи с целью ранней детекции меланомы. Система использует шесть ключевых параметров: цвет, неровность границы, степень асимметрии, дерматоскопические структуры (глобулы и пигментную сеть), степень схожести со снимками из эталонной базы и интегральный балл вероятности меланомы [17].

Компания MetaOptima Technology разработала теледерматологическую платформу DermEngine. Ее инструмент визуального поиска сопоставляет загруженное врачом изображение с базой данных, содержащей тысячи гистологически верифицированных снимков. Методы глубокого обучения осуществляют поиск схожих клинических случаев на основе сходства цвета, формы и дерматоскопических паттернов [18].

Каково будущее искусственного интеллекта в диагностике рака кожи?

Исследования в области ИИ демонстрируют впечатляющие успехи в дифференциальной диагностике кожных новообразований. Однако в обозримом будущем ИИ не заменит врача-клинициста. Прежде всего, именно специалист должен выявить подозрительный элемент и направить на него камеру дерматоскопа, выделив его среди десятков и сотен сопутствующих доброкачественных образований.

Клинический диагноз базируется на комплексном сборе анамнеза и оценке медицинской карты. Врач учитывает этническую принадлежность, фототип кожи по Фитцпатрику, цвет волос и глаз, профессиональные вредности, коморбидные патологии, принимаемые медикаменты, степень выраженности фотоповреждения кожи, общее количество меланоцитарных невусов и образ жизни (включая инсоляцию, посещение соляриев, курение и употребление алкоголя). Анамнестические данные о динамике роста и предшествующем лечении очага также имеют решающее значение.

ИИ выступает в качестве инструмента «второго мнения» и может эффективно использоваться для скринингового отсева однозначно доброкачественных элементов, таких как симметричные по цвету и структуре меланоцитарные невусы.

По мере расширения обучающих выборок, стандартизации снимков и добавления метаданных пациентов точность и клиническая надежность диагностических алгоритмов ИИ будут неуклонно возрастать.