Когда в середине 2010-х годов алгоритмы глубокого обучения начали демонстрировать впечатляющие результаты в распознавании изображений , медицинское сообщество закономерно задалось вопросом: а что, если применить эти технологии к диагностическим снимкам?
Подробнее о методах компьютерного зрения мы писали в статьях «Глаза прогресса: как глубокое обучение помогает видеть невидимое для человека» и «Смена подходов в компьютерном зрении: как ИИ открывал клетку заново».
Рентгенология оказалась идеальной стартовой площадкой. Каждый КТ-срез — это матрица чисел, где каждое значение соответствует рентгеновской плотности конкретного вокселя, а каждый МРТ-скан — это набор интенсивностей сигнала. Для алгоритма машинного обучения разницы между фотографией кошки и аксиальным срезом мозга по существу нет. В обоих случаях на вход дается матрица чисел, на выходе получается классификация или сегментация значений.
Но у рентгенологии есть еще одно критическое преимущество: стандартизация и масштаб данных. С 1990-х годов медицинские изображения хранятся в формате DICOM (Digital Imaging and Communications in Medicine) — универсальном стандарте, который обеспечивает совместимость между аппаратами разных производителей и больницами разных стран. Крупные радиологические архивы содержат миллионы размеченных исследований, что стало идеальной библиотекой данных для глубокого машинного обучения. Там, где другие медицинские специальности только начинают собирать структурированные базы данных, рентгенология уже накапливала их десятилетиями.
Что умеют современные алгоритмы
Современные системы ИИ в радиологии работают на основе сверточных нейронных сетей (convolutional neural networks, CNN) и их эволюций — архитектур типа U-Net для сегментации и трансформерных моделей для более сложных аналитических задач. Алгоритмы обучаются на сотнях тысяч изображений, предварительно размеченных независимыми экспертами-рентгенологами: разногласия между экспертами усредняются, формируя «консенсусную» разметку. После этапов валидации и настройки полученные модели встраиваются в клинические информационные системы и начинают работать с данными реальных пациентов. Диапазон задач, с которыми справляются современные алгоритмы, весьма широк.
- Детекция и сегментация патологии. Алгоритмы способны автоматически выявлять и очерчивать патологические очаги: опухоли головного мозга, острые кровоизлияния, инфаркты мозга, аневризмы, метастазы. Система не просто указывает на подозрительную область, она измеряет ее размеры, объем, локализацию относительно анатомических ориентиров и оценивает динамику при сравнении с предыдущими исследованиями
- Приоритизация исследований — это один из наиболее практически значимых сценариев применения ИИ. Алгоритм анализирует поступающие исследования и автоматически выдвигает в начало очереди те, где обнаружены признаки потенциально жизнеугрожающей патологии, требующей немедленного внимания. Рентгенолог видит критический случай не через час, когда дойдет его очередь, а в течение минут после поступления снимка. В условиях дежурства, когда один врач обрабатывает десятки исследований, это может напрямую влиять на исходы лечения.
- Количественный анализ. ИИ позволяет автоматизировать задачи, которые вручную требуют значительного времени: измерение объема опухоли в динамике, оценка степени атрофии мозга при нейродегенеративных заболеваниях, расчет индексов белого вещества при рассеянном склерозе. Это особенно ценно в клинических исследованиях, где требуется анализировать сотни пациентов с максимальной воспроизводимостью.
Радиомика: то, что глаз не видит
Автоматизация рутинной диагностики — лишь первый уровень применения ИИ в нейровизуализации. Значительно более амбициозное направление — радиомика, суть которой состоит в извлечении из медицинских изображений количественной информации недоступной человеческому глазу. Основы метода разобраны в статье «Увидеть то, что неподвластно глазу: как радиомика помогает врачам в диагностике опухолей», а прочитав «Как аэрофотосъемка связана с медицинскими снимками, большими данными и ИИ?» можно ознакомиться с конкретными примерами клинического применения радиомики, ее ограничениями и способами их преодоления. Сейчас же вспомним основные моменты. Радиомический анализ работает в несколько шагов. Ярким примером радиомики в действии является алгоритм, способный предсказывать молекулярный профиль глиомы (наличие мутации IDH1/2, коделецию 1p/19q, метилирование промотора MGMT) по МР-изображениям, без хирургической биопсии. Эти молекулярные маркеры критически важны для выбора терапии, но их определение требует инвазивного вмешательства.
Ограничения и нерешенные проблемы
При всем потенциале радиомика и ИИ в нейровизуализации сталкиваются с рядом серьезных вызовов, которые пока не позволяют говорить о повсеместном клиническом внедрении.
- Воспроизводимость. Радиомические признаки чувствительны к параметрам сканирования: протокол МРТ, мощность магнита, производитель аппарата, толщина среза… все это влияет на числовые значения признаков. Модель, обученная на данных одного центра с одним протоколом, может давать принципиально иные результаты при применении в другом центре. Это так называемая проблема внешней валидации. Именно ее отсутствие является ахиллесовой пятой большинства публикаций в области радиомики. Исследований, где модель разрабатывается на данных одного центра и независимо проверяется на данных другого, остается меньшинство.
- Переобучение. Когда число извлекаемых признаков (сотни и тысячи) значительно превышает число пациентов в выборке (нередко несколько десятков), модель рискует «запомнить» особенности конкретной обучающей выборки вместо того, чтобы выявить реальные биологические закономерности. Такая модель показывает высокую точность на обучающих данных, но — резко теряет ее на новых пациентах.
- «Черный ящик». Глубокие нейросети принимают решения на основе паттернов, которые крайне сложно интерпретировать содержательно. Алгоритм может безошибочно классифицировать опухоль, но не может объяснить, какие биологические процессы стоят за выделенными им признаками. Это создает серьезное препятствие для клинического доверия: врач, принимающий решение о лечении, обоснованно хочет понимать логику системы, которой доверяет.
- Регуляторные и этические вопросы. Внедрение ИИ-систем в клиническую практику требует четкого определения ответственности: кто несет юридическую ответственность за ошибочный диагноз, поставленный с участием алгоритма? Как обеспечить защиту персональных данных при обучении моделей на больших архивах изображений? Эти вопросы активно обсуждаются регуляторными органами по всему миру, и единого готового решения пока нет.
ИИ как дополнительный инструмент, а не замена врача-рентгенолога
Дискуссия о том, заменит ли ИИ врача-рентгенолога, возникла практически сразу. Сегодня большинство специалистов склоняются к более взвешенной позиции: ИИ не заменяет рентгенолога, а меняет характер его работы. Рутинные задачи, такие как первичный просмотр исследований, измерения анатомических структур или выявление очевидной патологии, алгоритмы выполняют быстрее и с сопоставимой точностью. Это освобождает врача для более сложной аналитической работы: сопоставления данных разных методов, клинической интерпретации неоднозначных диагностических случаев, взаимодействия с клиницистами. Система ИИ становится инструментом «второго мнения», не заменяя суждение врача, а снижая вероятность того, что патология будет пропущена из-за усталости, высокой нагрузки или простой невнимательности.
Таким образом, если первые этапы развития нейровизуализации позволили увидеть структуру мозга, а затем и его функцию, то ИИ и радиомика открывают следующий диагностический уровень — количественный анализ скрытых закономерностей, недоступных невооруженному взгляду. Это не революция, а эволюция инструментария: каждое новое поколение методов не вытесняет предыдущее, а добавляет новое измерение к нашему пониманию.
Больше о современная методах нейровизуализации читайте на нашем сайте!