Компьютеры выявляют рак и изучают лекарства! Какими технологиями пользуются белорусские медики?

Сверхразум стремительно проникает во все сферы жизни человека. И есть огромное количество примеров, когда его применение служит на благо людям. К примеру, в медицине, где наиболее широкое распространение нейросеть получила в области работы с изображениями. Об этом рассказали в программе «В поисках истины».

Эдуард Снежко, заведующий лабораторией анализа биомедицинских изображений ОИПИ НАН Беларуси:
Наша лаборатория уже достаточно давно занимается обработкой изображений, в частности медицинских. И в последнее время, с 2014 года, началась новая волна интереса к методам глубокого обучения. Это частный случай методов машинного обучения, которые позволяют обрабатывать гигантские объемы данных, которые накопились в нашей области, это касается и изображений X-Ray, например, или гистологических изображений, КТ-изображений, МРТ.

Машинным обучением принято считать науку о том, как заставить компьютеры действовать, не будучи напрямую запрограммированными на данную работу. Проще говоря, это способность машин делать выводы и принимать решения, исходя из поступающей информации. Метод глубокого обучения позволяет машинам думать и действовать, как люди, а для принятия решений используется несколько слоев искусственных нейронов. Благодаря этой структуре компьютер может обучаться с помощью собственной обработки данных.

Сергей Кругликов, генеральный директор ОИПИ НАН Беларуси:
Чем больше он получит данных обучающей выборки, чтобы двигаться вперед, тем сильнее получается система. Если мы говорим, что, обрабатывая изображения легких по рентгенограммам, мы использовали порядка 7 миллионов различных изображений. Тем сильнее обучена эта сеть и система. При этом мы не говорим, что мы взяли снимки, где какие-то люди везде. Часть изображений система генерировала сама, чтобы учиться.

Эдуард Снежко:
У нас в Беларуси действует программа скрининга людей. То есть каждый год каждый человек должен пройти обследование, то есть получить двухмерное изображение своей грудной клетки, чтобы врачи, возможно, на ранней стадии нашли начало каких-то патологических процессов. Это очень большой объем данных, очень много людей. Естественно, люди, пропуская через себя такой большой объем данных, могут где-то ошибиться, где-то пропустить какие-то потенциально опасные вещи. И наши методы позволяют просто обратить внимание специалиста, что здесь, возможно, что-то есть, обратите, пожалуйста, внимание.

При большом количестве пациентов важно не пропустить одиночные потенциально опасные случаи. А при углубленной диагностике, например, компьютерной томографии, метод глубокого обучения просто необходим. Ведь очень важно вовремя обнаружить проблемные участки в организме человека.

Эдуард Снежко:
Изображение КТ имеет множество слоев, это трехмерное изображение. И если мы ищем на таком большом поле какие-то небольшие участки, которые нас интересуют, то имеется вероятность, что что-то пропустится. На начальных этапах некоторые образования похожи на здоровые ткани, на сплетения сосудов, дыхательных путей и так далее.

Метод глубокого обучения при обработке медицинских изображений предоставляет врачу второе мнение, помогает автоматизировать рутинную работу специалиста и получать максимально эффективный результат. Но кто все же имеет преимущество при принятии решения: машина или врач?

Эдуард Снежко:
У машины, если по-хорошему, мнения быть не может. Машина – это инструмент, которому дали вход и он дает выход. Вы им пользуетесь. Это ваша механическая рука, которая ускоряет вашу работу с этими данными. Но в конечном итоге все равно решение принимает специалист, это однозначно, он ставит подпись, несет ответственность.

Экспериментально доказано, что практически любая глубокая нейронная сеть может быть вынуждена принять неправильное решение. И в контексте медицинской диагностики это очень опасная ситуация. Так стоит ли слепо верить машинам?

Эдуард Снежко:
Нейросети могут ошибиться. Есть такая область, как атаки на нейросети. То есть их можно атаковать. Иногда умышленно, иногда непредумышленно. Могут случайно попасться данные, которые сломают полностью выход нейросети. Такое может случиться потенциально. И если это еще потом не проходит через фильтр хорошего врача, здесь опасность есть. Такими вещами в конечном итоге должны заниматься люди, принимать решения люди. Конечно, кончено можно все пустить на самотек. Через какое-то время нужно будет пожинать результаты. А они непредсказуемы.

Без высоких технологий в медицине не обойтись. Эффективный способ автоматического анализа гистологических изображений, разработанный учеными Объединенного института проблем информатики, позволяет с гораздо большей точностью определить рак груди на самой ранней стадии. Эта технология весьма актуальна, так как это заболевание входит в число наиболее часто встречающихся в Беларуси онкопатологий. От его своевременного обнаружения зависит исход лечения.

Эдуард Снежко:
У человека берется биоматериал, кладется на стекло, и кладется это стекло под микроскоп. И ищутся раковые клетки. Ищется их скопление, какие-то признаки, что они начнут расти и так далее. Современные аппараты, которые сканируют эти образцы, позволяют формировать изображение где-то 100 тысяч на 200 или 300 тысяч пикселей. Это огромные изображения, которые вы на обычном компьютере можете даже не открыть.

Здесь свою роль, несомненно, играет человеческий фактор и уровень квалификации специалиста. Чтобы снизить вероятность ошибок, необходимы специальные технологии, позволяющие эти гистологические изображения вводить в компьютер и автоматически их анализировать.

Эдуард Снежко:
Но на таком огромном поле нужно найти очень небольшие участки, которые ассоциированы с какими-то процессами, которые, может быть, уже пошли. Врачу сделать это очень тяжело. Методы, которыми мы занимаемся в этой области, позволяют автоматизировать этот процесс, находить какие-то более подозрительные участки, где, возможно, клетки начали рост или что-то еще. Естественно, это существенно сокращает время обработки таких снимков. Людей-то много приходит, каждый такой огромный снимок еще нужно просмотреть, дать квалифицированное заключение, которому можно доверять. Очень тяжелая работа. Фантастически тяжелая, я преклоняюсь перед нашими специалистами, как они это делают. Мы стараемся им таким образом помочь.

Искусственный интеллект приходит на помощь и в поиске новых лекарств. Машинное обучение стало мощным инструментом для генерации и идентификации новых лекарственных соединений. Такие методы расширяют возможности фармацевтической индустрии, позволяя существенно сократить время и затраты, необходимые для создания новых терапевтических средств.

Анна Гончар, младший научный сотрудник лаборатории математической кибернетики ОИПИ НАН Беларуси:
Мы используем компьютерные технологии, чтобы смоделировать как малая молекула взаимодействует с большой молекулой, потенциально взаимодействует. То есть мы с помощью компьютера имитируем это взаимодействие и можем на основе него сделать какие-то выводы об их потенциальном взаимодействии в реальной среде. Это мы получаем только соединение, которое может лечь в основу будущего лекарства.

Читайте также:

«Аида» создает картины, а «София» получила гражданство. Посмотрите на этих невероятных роботов

А вы знали, что отцом робототехники считают Леонардо да Винчи? История развития искусственного интеллекта

Революция машин – угроза для человечества? Ученые ответили, смогут ли роботы заменить людей