Ученые предложили универсальный подход к поиску аномалий на медицинских снимках

ТАСС, 21 октября. Российские ученые создали нейросеть, которая может находить аномалии на медицинских снимках. Также они предложили схему стандартизации этой задачи, что поможет ученым достичь большего единообразия и воспроизводимости результатов для сравнения своих моделей. Описание результатов работы опубликовал научный журнал IEEE Access, кратко об этом пишет пресс-служба Сколковского института науки и технологий.

Поиск аномалий на изображениях - распространенная в анализе данных задача. Хотя она актуальна в разных сферах, особую сложность представляют медицинские снимки. Алгоритмам намного проще найти, например, фото машины со спущенным колесом или разбитым стеклом среди других изображений автомобилей, чем заметить на рентгене грудной клетки первые признаки такой патологии как, например, воспаление легких из-за новой коронавирусной инфекции.

"Медицинские снимки представляют сложность сразу по нескольким причинам. Во-первых, здесь аномальные случаи очень похожи на норму. Клетки есть клетки, и обычно требуется специально обученный эксперт, чтобы заметить, что что-то не так. Кроме того, примеров медицинских аномалий для обучения нейросетей всегда недостает. А машина лучше всего справляется с так называемой бинарной классификацией, когда есть два выраженных класса, каждый из которых хорошо представлен примерами для обучения. Кошки и собаки, грубо говоря", - сказал руководитель исследования Дмитрий Дылов.

Cвой метод ученые испытали на рентгенограммах грудной клетки и снимках гистологического исследования ткани для диагностики рака молочной железы, продемонстрировав его точность и применимость к разным диагностическим данным. Нейронная сеть стабильно превосходила существующие аналоги, хотя величина преимущества и абсолютная точность заметно колебались в зависимости от выборки изображений.

Исследователи также предложили схему стандартизации подхода к задаче обнаружения аномалий на медицинских снимках. По словам ученых, использованный ими подход легко распространить на медицинские снимки самых разных видов, поскольку решение приспособлено к природе таких снимков в целом: оно чувствительно к аномалиям малого масштаба и рассчитано на их малое количество в обучающей выборке.