Алгоритмы машинного обучения помогают распознать раковые клетки

Вердикт патолога, исследовавшего образцы тканей пациента, крайне важен при лечении многих болезней. В частности, если речь идет об онкологических заболеваниях, на основе диагноза патолога строится вся схема лечения. Врачи тренируются годами, оттачивая свое мастерство и приобретая опыт.

Даже с учетом постоянных тренировок диагнозы, поставленные одному и тому же пациенту разными патологами, могут существенно различаться, что в итоге может привести к неправильной терапии. При изучении снимков больных с некоторыми формами рака молочной железы и простаты мнения могут совпадать всего на 48%. Это неудивительно – объем информации, которая содержится на изображениях, огромен. Патологам необходимо рассмотреть все без исключения ткани на снимке, а таких снимков у одного пациента может быть несколько. Если оцифровать изображения при 40-кратном увеличении, они будут «весить» по 10 Гпикс, и за каждый пиксель врач несет ответственность. Время при этом может быть ограничено.

Чтобы разрешить трудности с разницей во мнениях и ограниченностью времени, специалисты Google изучают, как можно применить алгоритмы глубокого обучения в работе патолога, дополнить «ручное» изучение программой автоматического распознавания пораженных клеток. Для подготовки программы исследователи использовали снимки, предоставленные медицинским центром университета Неймегена (Radboud University). Программисты обучили искусственный интеллект находить на снимках клетки рака молочной железы с метастазами в лимфоузлах.

Обнаружилось, что даже стандартные алгоритмы – например, Inception (он же GoogLeNet) – способны эффективно отличать больные клетки от здоровых, хотя получившиеся тепловые карты (изображения, показывающие, какая часть ткани вероятно поражена) содержали слишком много шумов. Однако после доработки, включавшей также обучение сетей сканированию изображений при разном увеличении, точность математической модели была сравнима или даже превосходила точность работы патолога, который при изучении биоматериала не ограничен во времени.

Фактически после модификации алгоритма подготовленные при его помощи тепловые карты были усовершенствованы настолько, что их точность достигла 89%. Специалисты сравнили свой результат с работой патолога, время которого не ограничивали (на самом деле он закончил спустя 30 часов, рассмотрев 130 снимков), и обнаружили, что искусственный интеллект на 16% эффективнее человека (73%). Модель показала себя хорошо и с другим набором снимков, предоставленным другой больницей.

Несмотря на многообещающие результаты, авторы алгоритма подчеркнули, что модель в любом случае уступает человеку хотя бы потому, что она запрограммирована искать только определенные патологии, а человек обратит внимание и на признаки иных заболеваний – аутоиммунных болезней, воспалительных процессов, других типов рака. Сама система подсчета также имеет свои минусы – количество ложноположительных результатов, когда патолог принимает здоровые клетки за больные, увеличивает чувствительность алгоритма при обучении. Оптимальный вариант, по мнению специалистов – сочетать оба подхода, то есть дополнить работу специалиста-человека программой-алгоритмом глубокого обучения.