Рак печени занимает шестое место по распространенности среди онкозаболеваний в мире и является одной из ведущих причин смерти от рака. Точное определение границ опухолей (сегментация) критически важно для лечения, но ручной анализ снимков радиологами трудоемок и зависит от их опыта. ИИ-модели, основанные на глубоких нейронных сетях, автоматизируют этот процесс, но требуют огромных объемов данных для обучения (тысячи случаев), что ограничивает их применение.
Методы исследования
Команда под руководством Кенджи Судзуки (Kenji Suzuki), научного сотрудника, и аспирантки Юцяо Ян (Yuqiao Yang) из Биомедицинского исследовательского подразделения ИИ Института Токио (Biomedical AI Research Unit of Institute of Science Tokyo), Япония, разработала революционную модель MHP-Net (Multi-scale Hessian-enhanced Patch-based Neural Network). Архитектура работает следующим образом:
- Разделение изображения: КТ-сканы разбиваются на небольшие 3D-фрагменты (патчи).
- Усиление контраста: Каждый патч исходного изображения дополняется версией, обработанной фильтром Гессе (Hessian filtering). Этот метод эффективно выделяет сферические объекты, такие как опухоли.
- Анализ пар: Модель параллельно анализирует пары патчей (исходный + обработанный), фокусируясь на локальных особенностях, что снижает потребность в глобальном анализе всего изображения и объеме обучающих данных.
Результаты исследования
Исследование, опубликованное в журнале «IEEE Access», показало выдающиеся результаты:
- Высокая точность на малых данных: При обучении на крайне ограниченных наборах (7, 14 и 28 опухолей) MHP-Net достигла коэффициента сходства Dice (оценивает совпадение с разметкой экспертов, где 1 — идеально) в 0.691, 0.709 и 0.719 соответственно.
- Превосходство над аналогами: Эти показатели превысили результаты ведущих моделей, таких как U-Net, Res U-Net и HDense-U-Net.
- Скорость и эффективность: Легковесная архитектура обеспечивает быстрое обучение (<10 минут) и почти мгновенный анализ (~4 секунды на пациента), что делает модель пригодной для клиник с ограниченными вычислительными ресурсами.
Значение и перспективы
«Это лишь начало в области ИИ для работы с малыми данными, где значимые и клинически релевантные модели глубокого обучения могут быть построены на ограниченных наборах данных», — подчеркнул Кенджи Судзуки (Kenji Suzuki).
Успех MHP-Net имеет широкие последствия:
- Демократизация медицинского ИИ: Снижение барьера в виде потребности в «больших данных» позволяет внедрять точные инструменты ИИ в малоресурсных больницах и регионах с ограниченным доступом к данным.
- Потенциал для редких заболеваний: Технология открывает путь к созданию аналогичных решений для диагностики редких видов рака и других патологий, где сбор больших наборов данных особенно сложен.
- Будущее здравоохранения: Исследователи планируют изучить возможности масштабирования подхода MHP-Net для создания экономичных, универсальных и доступных ИИ-решений в глобальном здравоохранении.
Литература:
Yuqiao Yang et al, Patch-Based Deep-Learning Model With Limited Training Dataset for Liver Tumor Segmentation in Contrast-Enhanced Hepatic Computed Tomography, IEEE Access (2025). DOI: 10.1109/ACCESS.2025.3570728