Искусственный интеллект сможет выявлять признаки болезни Альцгеймера даже при нехватке генетических данных. Ученые из Гарварда уже применили российскую разработку: использование искусственно созданных данных помогло повысить точность распознавания когнитивных нарушений до 77%. Технология может расширить возможности медицинских исследований, в которых важную роль играет каждый набор данных. По мнению медиков, искусственный интеллект способен существенно изменить подходы к диагностике нейродегенеративных заболеваний, сместив акцент с выявления уже необратимых нарушений на раннюю профилактику. Однако пока алгоритм распознавал когнитивные нарушения, а не подтверждал диагноз болезни Альцгеймера. Поэтому использовать его можно лишь как инструмент поддержки принятия врачебных решений, считают неврологи.
Обучение ИИ при нехватке генетических данных
Ученые Гарвардского университета и Университета штата Техас нашли способ улучшить работу искусственного интеллекта при изучении болезни Альцгеймера, воспользовавшись технологией «Яндекса» и факультета компьютерных наук НИУ ВШЭ. Одна из главных трудностей таких исследований — нехватка генетических данных пациентов, необходимых для обучения нейросетей, пояснили разработчики. Исследователи показали, что частично решить эту проблему можно с помощью искусственно созданных данных. Такой подход позволил повысить точность распознавания когнитивных нарушений, связанных с заболеванием.
Для эксперимента ученые использовали генетические и демографические данные 542 человек. Нейросети способны выявлять сложные взаимосвязи между особенностями организма и заболеваниями, однако для обучения им обычно требуется большое количество примеров. Если данных недостаточно, алгоритм рискует запомнить особенности конкретных пациентов вместо того, чтобы научиться распознавать признаки заболевания у других людей.
Решить эту проблему помогла открытая технология TabDDPM. Это метод генерации искусственных данных с помощью нейросети, которая изучает закономерности в реальной информации и создает на их основе новые статистически похожие записи, а не просто копирует существующие. В данном случае ученые получили дополнительные сочетания генетических и демографических признаков. Это позволило увеличить объем данных для обучения ИИ без привлечения новых участников исследования.
— Мы опубликовали исходный код TabDDPM в открытом доступе, поэтому исследователи и разработчики из любой страны могут использовать технологию для обучения собственных моделей, — рассказал «Известиям» кандидат физико-математических наук, руководитель лаборатории Yandex Research и заведующий научно-учебной лаборатории «Яндекса» в ФКН ВШЭ Артем Бабенко.
Исследователи сравнили работу ИИ, обученного только на реальных данных, с моделью, которая дополнительно использовала искусственно созданные сведения. Во втором случае нейросеть точнее различала людей с когнитивными нарушениями и без них: показатель качества распознавания (AUC) вырос с 0,721 до 0,769, а доля правильно выявленных случаев нарушений — с 68 до 77%. Результаты показали, что синтетические данные могут повысить эффективность обучения медицинского ИИ, однако они не заменяют наблюдения за реальными пациентами.
Применение новой технологии в медицине
Алгоритм не ставит диагнозы самостоятельно, а помогает обучать нейросети, которые в дальнейшем могут использоваться для диагностики, пояснили разработчики. Благодаря искусственно созданным данным можно увеличить обучающую выборку без привлечения дополнительных пациентов. Это позволяет повышать качество моделей и потенциально снижать вероятность ошибок при распознавании заболеваний.
Искусственный интеллект способен радикально изменить подходы к диагностике болезни Альцгеймера, сместив акцент с выявления уже необратимых нарушений на раннюю профилактику, рассказал «Известиям» заместитель директора исследовательского центра стратегического анализа технологического развития ВШССН МГУ им. М.В. Ломоносова Тимофей Воронин.
— В отличие от традиционных тестов, алгоритмы машинного обучения анализируют массивы данных, включая МРТ, ПЭТ и генетические биомаркеры, объективно выявляя патологии еще за несколько лет до появления клинических симптомов. Для пациентов это означает быструю и неинвазивную процедуру, а для врачей — устранение субъективного фактора и получение критически необходимого временного окна для начала терапии, — отметил он.
Эксперт также подчеркнул, что в масштабах мировой экономики востребованность подобных решений будет только расти. Глобальный дефицит квалифицированных радиологов становится одним из драйверов развития рынка медицинского ИИ, объем которого в 2026 году уже превышает $2 млрд.
— Полагаю, что в ближайшие годы рутинная расшифровка снимков и подготовка базовых медицинских заключений будут полностью переданы нейросетям. Это позволит системе здравоохранения перенаправить кадровые ресурсы на разбор сложных клинических случаев, проверку данных, проведение исследований, операций и других медицинских манипуляций, — сказал Тимофей Воронин.
Главная ценность предложенной технологии заключается в возможности повысить точность алгоритмов искусственного интеллекта при работе с ограниченными медицинскими данными, подчеркнула врач-невролог 5-го неврологического отделения Российского центра неврологии и нейронаук, эксперт Фонда здоровья и развития мозга Лусине Брсикян.
— Болезнь Альцгеймера — сложное нейродегенеративное заболевание, диагностика которого требует комплексной оценки когнитивных функций, неврологического статуса, результатов нейровизуализации и при необходимости специфических биомаркеров. Применение синтетических данных позволяет обучать нейросети на более разнообразных сочетаниях генетических и демографических признаков, даже если исходная выборка пациентов относительно невелика. В перспективе это может способствовать разработке более точных инструментов выявления когнитивных нарушений, в том числе на ранних стадиях, — отметила врач.
При этом важно учитывать, что в данном исследовании алгоритм распознавал когнитивные нарушения, а не подтверждал диагноз болезни Альцгеймера. Поэтому говорить о создании готового диагностического метода пока преждевременно, пояснила невролог. В перспективе подобные алгоритмы могут стать дополнительным инструментом поддержки принятия врачебных решений. Например, они помогут выявлять пациентов с повышенной вероятностью когнитивных нарушений, которым необходимо более углубленное обследование, а также учитывать сложные взаимосвязи между генетическими факторами риска и клиническими проявлениями заболевания.