Российские и индийские ученые предложили новый подход к компьютерной диагностике рака молочной железы. Вместо обычных «тяжелых» нейросетей, требующих для своей работы больших вычислительных ресурсов, они использовали две компактные модели и объединили их через оригинальный механизм, добившись точности диагностики 99,7%.
Поясним, что современные системы компьютерной диагностики обычно строят на трансформерах и глубоких ансамблях нейросетей. Они действительно точны, но требуют огромных вычислительных мощностей. В клиниках с ограниченными ресурсами — а таких в мире большинство — внедрение таких решений затруднено.
Авторы работы пошли другим путем. Они взяли две легкие сверточные нейросети — SqueezeNet и ShuffleNetV2 — и соединили их через механизм взаимного обмена информацией, который позволяет отсеивать шум и усиливать важные для диагностики признаки. Модель протестировали на двух международных свпециализированных наборах изображений рака груди. При поиске здоровой ткани, доброкачественных образований, а также нулевой и агрессивной стадий рака точность комбинации нейросетей составила 97%.
На том же наборе данных точность определения самого наличия рака достигла 99%. На эталонном наборе снимков при 100-кратном увеличении — самом популярном исследовательском тесте для гистопатологии — точность нового алгоритма поднялась до 99,72%. Статистический анализ подтвердил, что улучшение показателей не случайно. Алгоритм фокусируется именно на тех участках тканей, которые важны для диагноза.
Мы попросили научного сотрудника группы «Мультимодальные архитектуры ИИ» Института AIRI Ивана Панина прокомментировать эксклюзивно для Наука Mail эту разработку. Эксперт объяснил, почему «легкие» нейросети могут быть эффективнее тяжелых. По словам Панина, не совсем корректно считать, что все современные диагностические системы обязательно построены на трансформерах или больших ансамблях.
Такие решения действительно часто требуют много вычислений. Трансформер сопоставляет между собой множество фрагментов изображения, а ансамбль запускает сразу несколько отдельных нейросетей и затем объединяет их ответы. Это увеличивает расход памяти, время обработки и энергопотребление». При этом точность определяется не только размером модели. «Не менее важны качество и объем данных, правильность разметки, сходство обучающей выборки с реальной клинической практикой, способ разделения данных на обучение и тестирование и настройка алгоритма. Большая модель не гарантирует лучшего результата, особенно на небольшой и сравнительно узкой задаче.
Отвечая на вопрос, за счет чего удалось заменить тяжелые модели на две компактные сверточные сети, эксперт пояснил:
Что касается взаимообмена информацией, который помогает повысить точность диагностики, Панин сравнил его с системой регулируемых заслонок:
Как нейросети «понимают», какие диагностические признаки действительно важны, а какие являются второстепененными? Иван Панин подчеркивает, что слово «понимают» здесь следует использовать условно.
Во время обучения нейросетям показывают изображения с известными диагнозами. Если какой-либо внутренний признак помогает чаще давать правильный ответ, то в процессе обучения параметры нейросети изменяются так, чтобы этот признак оказывал большее влияние на итоговое решение. Такими признаками могут быть форма и плотность клеточных ядер, структура ткани, взаимное расположение клеток, текстура или окраска препарата. Однако сама сеть не знает медицинского смысла этих признаков: она ищет статистические закономерности, связанные с правильной меткой.
Панин обращает внимание на важное ограничение: «Полезной для модели может случайно оказаться не только патология, но и особенность окрашивания, сканера или подготовки образца. Представленные авторами карты Grad-CAM показывают, какие области изображений сильнее влияли на решение сети. Эти карты дают предварительную качественную интерпретацию, которую в дальнейшем нужно подтвердить экспертной разметкой патологических областей».
Можно ли применить используемый в данной работе подход упрощения где-то ещё кроме медицины? Российский эксперт считает, что сам принцип не привязан к раку или гистологии. Он подходит для задач, где изображения нужно анализировать быстро и на относительно слабом оборудовании: например, для поиска дефектов на производстве, оценки состояния сельскохозяйственных растений, анализа спутниковых снимков, сортировки товаров или обработки изображения непосредственно на камере либо мобильном устройстве. Общая идея состоит в том, чтобы объединить несколько небольших моделей, извлекающих разные типы признаков, и не передавать дальше всю информацию без разбора, а заранее ослаблять повторяющиеся и бесполезные сигналы.
Однако эксперт предупреждает: готовую медицинскую модель нельзя просто перенести в другую область и получить схожую точность. Ведь для каждой новой задачи нужны собственные данные, переобучение и независимая проверка результатов. Компактность архитектуры универсальна, но ее точность всегда будет зависеть от конкретной задачи и качества данных, на которых обучаются нейросети.
Ведущий программист-математик Исследовательского центра в сфере ИИ Университета Иннополис Дмитрий Каплун пояснил, что связка из двух компактных нейросетей обеспечивает высокую точность даже на сложных фотографиях, которые получают с помощью специализированного лабораторного оборудования, и подходит для региональных больниц или мобильных устройств.
Авторы новой разработки из России и Индии считают, что предложенное решение может стать основой для создания надежных инструментов ИИ-диагностики, которые помогут врачам быстрее и качественнее проводить диагностику рака молочной железы, особенно в регионах без доступа к дорогим вычислительным мощностям.
Ранее Наука Mail рассказывала о первой в мире ИИ-модели для диагностики рака щитовидной железы.