Авторы: А.А. Мелдо, Л.В. Уткин, Т.Н. Трофимова

Актуальность

Главное отличие систем искусственного интеллекта (ИИ) от простых автоматизированных алгоритмов заключается в способности к обучению, обобщению и выводу. Система ИИ обучается на множестве примеров, включая снимки, характеристики пациентов с определенным заболеванием, далее она позволяет обобщить множество таких примеров и получить некоторую общую функциональную зависимость, которая приводит в соответствие данные о пациенте и определенный диагноз. Интеллектуальной система становится при реализации этой обобщающей способности. Несмотря на то, что в настоящее время тематика ИИ становится более понимаемой и принимаемой врачами, необходимо более глубокое понимание «как это работает».

Цель

Применить методы и модели искусственного интеллекта в диагностике онкологических заболеваний на основе данных мультимодальной лучевой диагностики. Дать основные понятия искусственного интеллекта и направления его использования, рассмотрены этапы интеллектуальной обработки диагностических данных, которые включают создание и использование обучающих баз данных онкологических заболеваний, предварительную обработку снимков, сегментацию изображений для выделения исследуемых объектов диагностики и классификацию этих объектов для определения их степени злокачественности. Затронуть важные вопросы разработки объяснительного интеллекта, отсутствие которого в настоящее время существенно тормозит внедрение и использование интеллектуальных систем диагностики в медицине. Определить путь к развитию взаимодействия между врачом и специалистом по искусственному интеллекту.

Материалы и методы

При сборе информации для этой статьи были проведены обзоры литературы по академическим журналам, правительственным отчётам и новостным статьям. Поиск осуществлялся по ключевым словам: искусственный интеллект, машинное обучение, онкологические заболевания, интеллектуальная диагностика.

Ключевые тезисы

1. Самым главным отличием ИИ от других существующих алгоритмов система - способность обучаться на множестве примеров, включая снимки, характеристики пациентов с определенным заболеванием, позволяя обобщить множество таких примеров и получить некоторую общую функциональную зависимость, которая приводит в соответствие данным о пациенте определенный диагноз.
2. Два основных направления разработки и использования ИИ: постановка диагноза, определение оптимального лечения.
3. Интеллектуальная система диагностики имеет открытую (свободный доступ в интернете) и закрытую (ориентация на определенные группы пациентов, близкие по характеристикам к тем, чьи снимки содержаться в базе данных) базы данных.
4. Выбор методов предварительной обработки полученной информации зависит не только от сложности и эксклюзивности случая, но и от способов диагностирования.
5. Классификация является одним из этапов обработки информации, исключающая появление ложных или ложноположительных случаев, которые были неправильно идентифицированы на предыдущем этапе.
6. Одной из самых серьезных проблем, возникающих при использовании ИСД в медицинских приложениях, является проблема объяснения полученных результатов диагностирования.

Заключение

Развитие новых подходов к разработке ИСД создает перспективу для того, чтобы эти системы стали настоящими помощниками врачей при диагностировании опухолей различных локализаций. Постоянное взаимодействие рентгенолога и ИСД с точки зрения взаимного обучения позволит значительно повысить качество принимаемых решений как системы, так и врача.

Литература

1. Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A.,Kalloo A., Hassen A.B.H., Thomas L., Enk A., Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists // Annals of Oncology. 2018. Vol. 29 (8). Р. 1836–1842. DOI:10.1093/annonc/mdy166.
2. Armato III S.G., McLennan G. et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical Physics. 2011. Vol. 38 (2). P. 915–931. DOI: 10.1118/1,3528204.
3. Menze B.H., Jakab A. et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) // IEEE Trans. Med. Imaging. 2015. No. 34. P. 1993–2024, DOI: 10,1109 / TMI.2014.2377694.
4. Bilic P., Christ P.F. et al. The Liver Tumor Segmentation Benchmark (LiTS) // arXiv: 1901.04056, Jan 2019.
5. Xian M., Zhang Y., Cheng H.D., Xu F., Huang K., Zhang B., Ding J., Ning C., Wang Y. A Benchmark for Breast Ultrasound Image Segmentation (BUSIS) // arXiv: 1801.03182, Jan 2018.

Полная версия статьи: журнал Лучевая диагностика и терапия https://doi.org/10.22328/2079-5343-2020-11-1-9-17 202