Ученые Плехановского университета разрабатывают нейросеть для анализа маммографических снимков, которая значительно повысит точность диагностики злокачественных образований на ранних стадиях.
Система будет применять машинное обучение для автоматической разметки маммографических изображений, чтобы классифицировать их по системе BI-RADS (Breast Imaging-Reporting and Data System), которая применяется для оценки состояния молочных желез. Это позволит врачам быстрее выявлять патологии и снижать количество неправильных заключений.
Проект реализуется в сотрудничестве с Московским клиническим научным центром им.А.С. Логинова.
«В результате мы планируем разработать нейросетевое решение, которое позволит значительно снизить процент неправильного выявления диагнозов на самых ранних стадиях. Для разработки и обучения нейросети совместными усилиями создается уникальный датасет маммографических снимков, который поможет докторам быстро и удобно размечать данные», — рассказал директор Центра перспективных исследований в искусственном интеллекте РЭУ им. Г.В. Плеханова Сергей Ярушев.
Кроме создания системы анализа маммографических снимков, исследователи также развивают проекты по классификации текстовых данных и анализу фото- и видеоизображений. Партнерами Центра выступают Аналитический центр при правительстве России, Федеральный исследовательский центр «Информатика и управление» РАН и Национальный медико-хирургический центр имени Н.И. Пирогова. Вместе с последним разрабатывается метод автоматического анализа заболеваний сетчатки глаза.
Проект направлен на создание методов автоматического анализа и оценки оптических когерентных томограмм (ОКТ-снимки) сетчатки. Эти снимки используются для диагностики различных глазных заболеваний, включая диабетический макулярный отек — состояние, которое может привести к потере зрения у людей с диабетом. Во время работы ученые создали уникальный датасет для сегментации 12 типов биомаркеров заболеваний сетчатки с использованием нейросетей глубокого обучения.
Ожидается, что в апреле 2025 года завершится создание микросервиса для автоматической классификации заболеваний по ОКТ-томограммам, автоматической сегментации и количественной оценки биомаркеров, содержащихся на томографических снимках.