Новая разработка московских ученых из научной школы «Мозг, когнитивные системы, искусственный интеллект» на базе МГУ имени М.В. Ломоносова открывает перспективы для совершенствования диагностики туберкулеза. Ученые представили инновационный алгоритм увеличения данных, который заметно расширяет возможности нейросетей работать с рентгеновскими снимками грудной клетки. Это открытие обещает повысить точность выявления заболевания на ранних стадиях, даже в условиях ограниченного количества доступных медицинских изображений.
Туберкулез: вызовы и роль современных технологий
Туберкулез по-прежнему занимает позицию одного из самых опасных инфекционных заболеваний современности и ежегодно становится причиной гибели более миллиона людей на планете. Особую сложность представляет своевременная диагностика, особенно там, где не хватает опытных медицинских специалистов. Широкое внедрение алгоритмов искусственного интеллекта, в частности машинного обучения, становится действенным инструментом для помощи врачам в обработке и анализе рентгеновских снимков. Однако эффективность таких решений напрямую зависит от объема и качества данных, использованных для их обучения — а вот их зачастую катастрофически не хватает.
Уникальный алгоритм FABEMD в действии: вклад МГУ и Андрея Крылова
Исследовательская команда МГУ под руководством профессора Андрея Крылова и при участии Ю.Д. Сенотовой и к.ф.-м.н. Я.А. Пчелинцева предложила использовать передовой алгоритм Fast and Adaptive Bidimensional Empirical Mode Decomposition (FABEMD). Эта технология позволяет создавать новые синтетические варианты рентгеновских изображений на основе реальных снимков – путем умного удаления фоновых структур, не неся при этом потерь диагностически ценной информации. В результате такие снимки расширяют обучающие выборки для нейросетей, существенно повышая их устойчивость и качество распознавания различных патологий.
Важным преимуществом FABEMD стало именно то, что подобные снимки сохраняют основные особенности, необходимые для диагностики, но при этом демонстрируют многообразие по структурным деталям. Благодаря этому нейросети становятся более точными и готовы справляться с рентгеновскими изображениями различного качества и происхождения.
Преимущества нового подхода на практике
Методологию FABEMD протестировали на множестве авторитетных международных наборов медицинских данных, таких как Montgomery, Shenzhen, TBX11K, Sakha-TB и других. Именно на этих примерах учёные установили: внедрение синтетических изображений в процесс обучения нейросетей значительно увеличивает точность прогнозирования и надёжность итоговой диагностики. Особенно заметен успех на сложных и малочисленных подборках данных, где стандартным методам обучения не хватает информации для качественного результата.
Профессор Андрей Крылов отмечает: разработанный метод не только улучшает результаты классификации рентгеновских снимков грудной клетки, но и значительно повышает устойчивость моделей к разнообразию изображений. Это решающая задача для медицинской диагностики — ведь рентгеновские снимки могут отличаться по уровню шума, разрешению, особенностям оборудования и даже условиям освещения в больничных кабинетах.
Горизонты применения за пределами диагностики туберкулеза
Созданная коллективом МГУ технология может быть полезна и для самых различных задач медицинской диагностики — везде, где нехватка данных мешает применению современных высокоточных нейросетевых алгоритмов. Универсальность и адаптивность данного подхода открывает дорогу к применению FABEMD в офтальмологии, онкологии, анализе снимков при легочных заболеваниях и даже в задачах автоматизированного поиска патологий в других органах.
Авторы исследования уверены: их разработки усилят возможности медицинских учреждений по всему миру, особенно в тех регионах, где профессиональных кадров и высокоточных диагностических ресурсов пока недостаточно. Инновационный вклад МГУ и личности Андрея Крылова вдохновляют на дальнейшие исследования в области медицинских нейросетей для сохранения жизни и здоровья миллионов людей.