«Ъ-Наука» поговорила со Светланой Илларионовой, руководителем исследовательской группы Центра искусственного интеллекта Сколтеха, чтобы узнать, как проект может изменить терапию заболевания, как ИИ-алгоритм может сделать лечение более доступным в отдаленных регионах, почему ИИ-инструменты долго не входят в реальную клиническую практику и на какие направления на стыке медицины и искусственного интеллекта стоит обратить внимание молодым ученым.
— Светлана, ваша научная группа занимается разными проектами, один из них — ИИ-система получения молекулярного портрета рака молочной железы без иммуногистохимии. Расскажите, пожалуйста, о нем подробнее. В чем его практическая значимость?
— Проект посвящен разработке алгоритмов искусственного интеллекта для диагностики гистологических данных, то есть срезов тканей, которые патолог анализирует для назначения терапии и планирования лечения рака молочной железы. В рамках конкретно этой части проекта мы разрабатываем алгоритмы виртуального окрашивания — это алгоритмы генеративного искусственного интеллекта.
Мотивирована наша задача тем, что есть стандартный подход к диагностике, основанный на анализе данных гематоксилина и эозина. Это базовый подход, по которому патолог может определить некоторые общие характеристики тканей в случае рака молочной железы. Для назначения терапии — гормональной либо таргетной — важно не ошибиться, так как они имеют разную степень агрессивности. Если сделать неправильный выбор, лечение будет либо недостаточным, либо чрезмерно агрессивным, а это лишь усилит нагрузку на организм, не давая реальной пользы.
Чтобы определиться с типом терапии, врач-патолог анализирует данные иммуногистохимии — это сложный процесс окрашивания тканей, где с помощью химических растворов подсвечивается определенная область на тканях и врач может выделить различные биологические структуры, например скопление клеток, форму, реакцию тканей на эти химические растворы. На основе этого анализа уже можно делать прогнозы и назначать более целенаправленную терапию для пациента.
Здесь есть свои ограничения. Это процесс занимает много времени — пять—семь дней — и требует дорогостоящего оборудования, которого в некоторых удаленных регионах может просто не оказаться. Кроме того, когда делается биопсия, один и тот же срез ткани нельзя одновременно окрасить разными красителями и провести разный анализ на одном и том же срезе. Нужны дополнительные срезы.
Чтобы обойти все эти ограничения, мы разрабатываем алгоритмы, позволяющие с помощью генеративных нейронных сетей переводить один тип окрашивания в другой — из H&E в IHC. Используя только базовый тип данных, мы можем сделать синтетические данные, которые будут сохранять те же биологические структурные характеристики, на основе которых патолог сможет провести анализ.
— Вместо сложной и дорогой иммуногистохимии вы предлагаете с помощью ИИ «перекрашивать» обычные срезы. Но этого, наверное, недостаточно — нужно еще уметь правильно интерпретировать полученные изображения?
— Да, другая часть проекта — это уже непосредственно анализ данных: определение основных биологических структур на снимках, предсказание статуса тканей, рецепторов, а также распознавание основных структурных клеток и других параметров, которые важны при анализе патолога. Для этой задачи распознавания также разрабатываются алгоритмы искусственного интеллекта, и они настраиваются под эти определенные задачи.
В целом идея в том, чтобы перейти от ограниченных данных, которые сложно получить в клинике, к более доступным, но при этом даже на основе этих доступных данных получать достаточно полный морфологический анализ тканей.
— Каких результатов вам уже удалось достичь?
— Собран уникальный набор данных — снимки тканей 100 пациентов с подтвержденным раком молочной железы, которые аннотированы вручную. Для разработки генеративных алгоритмов это данные двух типов окрашивания, и на их основе происходит обучение этих алгоритмов. Также мы готовимся выложить наш датасет в открытый доступ, чтобы специалисты и исследователи могли на его основе создавать свои решения.
Что касается алгоритмов, мы провели обучение моделей и разработали методологию, позволяющую учитывать специфику медицинских данных. Наша цель — создать решение, адаптированное именно под клинические задачи, а не просто еще один инструмент компьютерного зрения, работающий с фотографиями. Кроме того, мы активно сотрудничаем не только с российскими клиниками и медицинскими учреждениями, но и с зарубежными университетами — в частности, с Университетом Шарджи, с которым у нас в Сколтехе действует совместная лаборатория BIMAI-Lab по искусственному интеллекту в медицине, а также с коллегами из Университета Токай и Катарского биомедицинского института. Их экспертиза помогает нам корректировать планы с учетом реальных медицинских потребностей, в то время как наша сторона отвечает непосредственно за разработку алгоритмов.
— Вы упомянули корректировку планов с учетом потребностей врачей, а сам проект тоже был сподвигнут запросом клиники?
— Да, конечно. При разработке таких проектов в первую очередь нужно понять, чего сейчас не хватает, что является актуальным и востребованным, и, уже отталкиваясь от этого запроса, думать, как можно адаптировать и разрабатывать алгоритмы на основе искусственного интеллекта, чтобы решить этот конкретный запрос. Все наши проекты — результат совместной работы с докторами.
— Когда ваш инструмент будет разработан, врачу понадобится только компьютер, для того чтобы им пользоваться?
— Да. Базовое окрашивание везде проводится по умолчанию. А дальше достаточно будет использовать алгоритм, чтобы провести дальнейшую диагностику и помочь врачу принять решение, либо подсветить, например, что случай сложный и он потребует все-таки проведения дополнительного анализа, то есть реального окрашивания. Важно, что наш алгоритм не заменит врача, а станет лишь дополнительным инструментом в его работе.
— Как вы оцениваете вероятность скорого появления таких ИИ-инструментов в реальной клинической практике? Какие барьеры до сих пор остаются?
— Есть достаточно сложный барьер, связанный с регуляторным механизмом. Система здравоохранения — это область, очень чувствительная к внедрению чего-то нового. Алгоритмы должны проходить достаточно серьезный и строгий процесс апробации. Также есть ограничения по передаче и использованию персональных данных. С моей точки зрения, этот вопрос решается проще, так как алгоритм может работать в контуре клиники — данные пациентов из этого контура не уходят. Но подтвердить надежность и эффективность алгоритма сложно. Сейчас в этом направлении работают, так что предполагаю, что в скором будущем этот путь станет более понятным и, может быть, его можно будет проходить быстрее.
— Светлана, ваш проект принес вам победу в конкурсе «Женщины за здоровое общество». Вы представили свою работу в финале на ПМЭФ и получили награду из рук Валентины Матвиенко. Как вы считаете, важны ли такие конкурсы? Могут ли они стать дополнительной мотивацией для женщин в науке?
— Да, я считаю, что конкурс действительно важен. Проекты, о которых я узнала, когда принимала участие в финале, вдохновляют и мотивируют заниматься не только исследованием алгоритмов, иногда оторванных от реальной жизни, но и думать о том, как это можно применить с пользой для людей.
— Можете ли вы дать совет молодым исследователям, которые тоже хотели бы заниматься прикладным искусственным интеллектом в области здравоохранения и медицины? Может быть, какие-то актуальные направления, в которые стоит идти, с чего начинать, какие навыки наиболее востребованы сейчас в этой сфере?
— В нашей команде есть специалисты из смежных дисциплин. Здорово, когда коллектив устроен именно таким образом и вся работа проводится в коллаборации, когда выстроено общение и понимание между техническими специалистами и экспертами в медицине. Поэтому если говорить о совете, который можно было бы дать, то очень важна коллаборация. Сделать что-то полезное и востребованное, находясь в вакууме, сфокусировавшись только на математическом аппарате или только на медицинской составляющей, сейчас не получится.
Актуальных направлений сегодня много. Одно из новых — создание цифрового двойника, то есть не диагностика отдельной модальности, где мы работаем только с изображениями или только с клиническими данными и результатами анализов, а где мы пробуем проанализировать систему в комплексе. Если у нас есть такая система и мы понимаем, как выстроена взаимосвязь между ее частями, то у нас появляется больше возможностей для перехода от анализа к прогнозированию результатов лечения и откликов на терапию. Я думаю, это должно помочь более эффективно бороться с болезнями.
