Max Home IndustryДля оценки данных медицинской визуализации на основе искусственного интеллекта обычно требуется специально разработанный алгоритм для каждой задачи. Ученые из Немецкого центра исследования рака (DKFZ) представили новый метод настройки алгоритмов самообучения для большого количества различных наборов данных изображений — без необходимости специальных знаний или очень значительной вычислительной мощности.
При оценке данных медицинской визуализации искусственный интеллект (ИИ) обещает оказать поддержку врачам и облегчить их рабочую нагрузку, особенно в области онкологии. Тем не менее, независимо от того, нужно ли измерять размер опухоли головного мозга для планирования лечения или же во время курса лучевой терапии необходимо документировать регресс метастазов в легких, компьютеры сначала должны научиться интерпретировать наборы данных трехмерных изображений из компьютерная томография (КТ) или магнитно-резонансная томография (МРТ). Они должны иметь возможность решить, какие пиксели принадлежат опухоли, а какие нет. Эксперты в области искусственного интеллекта называют процесс различия между ними семантической сегментацией.
Для каждой отдельной задачи — например, распознавания рака почки на КТ-изображениях или рака груди на МРТ-изображениях — ученым необходимо разработать специальные алгоритмы, которые могут различать опухолевую и неопухолевую ткань и делать прогнозы. Наборы данных изображений, для которых врачи уже вручную пометили опухоли, здоровые ткани и другие важные анатомические структуры, используются в качестве учебных материалов для машинного обучения.
Для разработки подобных алгоритмов сегментации требуются опыт и специальные знания. «Это нетривиально, и обычно для этого требуется много времени, проб и ошибок», — пояснил специалист по медицинской информатике Фабиан Изенси, один из ведущих авторов данной публикации. Он и его коллеги из подразделения DKFZ, возглавляемого Клаусом Майер-Хайном, теперь разработали метод, который динамически и полностью автоматически адаптируется к любым наборам данных изображений, что позволяет даже людям с ограниченным предшествующим опытом настраивать алгоритмы самообучения для конкретных задач.
Метод, известный как nnU-Net, может обрабатывать широкий спектр данных визуализации: помимо традиционных методов визуализации, таких как КТ и МРТ, он также может обрабатывать изображения, полученные с помощью электронной и флуоресцентной микроскопии.
Используя nnU-Net, исследователи DKFZ достигли лучших результатов в 33 из 53 различных задач сегментации на международных соревнованиях, несмотря на то, что они соревновались с узкоспециализированными алгоритмами, разработанными экспертами для конкретных индивидуальных вопросов.
Клаус Майер-Хайн и его команда делают nnU-Net доступным в качестве инструмента с открытым исходным кодом для бесплатной загрузки. «nnU-Net можно использовать немедленно, его можно обучить с использованием наборов данных визуализации и можно выполнять специальные задачи — без каких-либо специальных знаний в области компьютерных наук или каких-либо особо значительных вычислительных мощностей», — пояснил Клаус Майер-Хайн.
До сих пор оценка данных медицинской визуализации на основе искусственного интеллекта в основном применялась в исследовательских целях и не использовалась широко в повседневной клинической помощи онкологическим больным. Однако специалисты в области медицинской информатики и врачи видят значительный потенциал его использования, например, для часто повторяющихся задач, таких как те, которые часто необходимо выполнять в рамках крупномасштабных клинических исследований. «nnU-Net может помочь раскрыть этот потенциал», — отметила руководитель исследования Майер-Хайн.