Специалисты Центра искусственного интеллекта Московского государственного университета (МГУ) разработали метод автоматического выявления патологий на компьютерной томографии. Современные системы анализа медицинских изображений обычно обучают на размеченных данных: врачи заранее указывают, какие именно болезни должна находить модель. Но таких наборов мало, и в них размечены лишь отдельные заболевания, а другие изменения остаются без внимания. Это мешает создавать универсальные системы.
Авторы предложили другой подход и рассматривают поиск патологий как задачу обнаружения аномалий. Патологические изменения встречаются реже нормальных структур, поэтому модель обучается находить участки, которые статистически отличаются от нормы.
Мы исследовали возможность выявления патологических изменений без использования размеченных медицинских данных. Такой подход позволяет обучать модели на больших массивах КТ-изображений и использовать статистические различия между нормальными и аномальными структурами.
Исследователи разработали систему Screener. Она использует методы самообучения и изучает распределение признаков на уровне отдельных участков снимка. Для обучения модель использовала более 30 тыс. неразмеченных КТ-исследований. Никакой разметки на этапе предварительного обучения не применяли. Метод протестировали на четырех крупных наборах медицинских изображений. В них вошли 1820 КТ-исследований с разными патологиями: рак легких, пневмония, опухоли печени и почек. Предложенный подход показал более высокую точность, чем существующие методы сегментации аномалий.
Подход можно использовать как инструмент предварительного анализа медицинских изображений, а также для предварительного обучения моделей сегментации патологий. Исследование представлено на международной конференции ICLR 2026.
Ранее Наука Mail писала о том, что в Перми представили новый метод диагностики боли в пояснице.