Учёные из совместной Лаборатории биомедицинского ИИ Сколтеха (институт группы ВЭБ.РФ) и Университета Шарджи, а также их коллеги из других научных центров повысили качество работы алгоритмов машинного зрения, которые ищут на снимках МРТ мозга признаки эпилепсии и рассеянного склероза. Теперь нейросеть не просто анализирует набор пикселей на картинке, а обращает внимание на медицинские признаки, известные от врачей. При этом машина видит детали, которые сложно рассмотреть на глаз. В будущем подобные решения будут помогать врачам диагностировать заболевание и выбирать тактику лечения. Исследование опубликовано в сборнике трудов Medical Image Computing and Computer Assisted Intervention — ведущей мировой конференции по медицинской визуализации и ИИ в медицине (рейтинг CORE A). Работа поддержана грантом Российского научного фонда.
Изображение. Выделенные цветом области на МРТ-снимках пациентов с рассеянным склерозом соответствуют характерным для заболевания поражённым областям разного типа. Современные модели компьютерного зрения эффективно обнаруживают области, отмеченные красным, а с зелёными справляются куда хуже. Источник: Надежда Алсаханова и др./Medical Image Computing and Computer Assisted Intervention — MICCAI 2026
Алгоритмы машинного зрения уже неплохо справляются с поиском признаков фармакорезистентной эпилепсии и рассеянного склероза на медицинских снимках. Это даёт надежду на то, что в скором времени нейросети смогут поддерживать в этой работе врачей-радиологов. Таким образом можно не просто ускорить анализ и разгрузить врача, но и повысить процент детекции. Например, если говорить об эпилепсии, то «МРТ-негативными» сейчас признаются около 30% случаев: врач не видит на снимке признаков заболевания, но их может рассмотреть машина.
Одна из основных сложностей состоит в том, что имеющиеся модели оказываются заточены под поиск стандартного проявления болезни. Скажем, при фармакорезистентной эпилепсии часто наблюдается размытие границы между серым и белым веществом мозга, и эта особенность отлично обнаруживается нейросетями. Однако есть и более редкий сценарий, когда ключевым признаком болезни на снимке оказываются компактные области с повышенной интенсивностью сигнала. Их современные модели в значительной мере игнорируют.
Если при эпилепсии о расположении очагов заболевания нужно знать для того, чтобы осуществить хирургическое вмешательство, то при рассеянном склерозе мониторинг появления новых очагов разного размера позволяет спланировать лечение. И здесь сложность в том, что модели хорошо находят на снимках крупные очаги, но зачастую пропускают мелкие. Таким образом, и при эпилепсии, и при рассеянном склерозе нужно дать модели понять, что часть патологий проявляется атипично: это не случайный шум, а значимый признак. Именно это удалось сделать авторам исследования.
«Внедряя биологические признаки в нейросеть, мы заставляем её в большей степени действовать в той логике, что врачи, — рассказывает первый автор исследования, инженер-исследователь и студентка аспирантуры Сколтеха по программе „Вычислительные системы и анализ данных в науке и технике“ Надежда Алсаханова. — А дальнейшее развитие этого подхода позволит сделать результат модели интерпретируемым: она будет обосновывать свои заключения в комментарии, повышая доверие врача».
Исследователи проверили свой подход на клинических данных. Эффективность детектирования областей, связанных с патологиями, выросла в случае обоих заболеваний: на 2% на снимках с признаками рассеянного склероза и на 8% — с 72% до 80% — на снимках с признаками эпилепсии. При этом обучение становилось более устойчивым: таких же результатов, как у существующих моделей, удалось достичь, используя на 30% меньше обучающих данных.
Технически новшество заключается в том, что традиционную для анализа медицинских снимков сегментацию учёные дополнили вспомогательной задачей — классификацией. Теперь модель не просто сегментирует изображение по принципу «эти участки — здоровая ткань, а эти — патология», а ещё и подразделяет патологические области на классы в зависимости от того, о какой части мозга идёт речь, есть ли у предполагаемого очага размытые границы и так далее. За счёт этого модель начинает «обращать внимание» на биомедицинские признаки, что позволяет повысить качество сегментации и — в перспективе — снабдить результат комментарием для врача.
Руководитель Лаборатории биомедицинского ИИ со стороны Сколтеха, старший преподаватель Максим Шараев прокомментировал результаты исследования: «Поиск малых и атипичных патологий на МРТ — критически важная задача, ведь их пропуск может стоить пациенту правильного лечения. Притом оригинальность подхода в том, что модель при детекции патологии начинает опираться на биомедицинские признаки, подобно врачу. В итоге она становится интерпретируемой и более пригодной для реальной диагностики. Надежде удалось довести эту идею до уровня MICCAI и подтвердить результат на клинических данных».
Текст: пресс-служба Сколтеха
Читайте материалы нашего сайта во ВКонтакте, Одноклассниках, Яндекс-Дзен и каналах в Telegram и MAX
