Глубинное обучение — перспективная методика обучения алгоритмов, которая задействована в большом количестве сфер (информационная безопасность, анализ результатов исследований, распознавание изображений). Что касается распознавания изображений, то здесь речь идет не только о том, что машина может отличить кошку от собаки, как это было с нейросетью Google. Нет, подобная технология может оказаться полезной и в медицине, в частности, в онкологии.
Ученые из Стэнфорда создали систему, которая способна ставить диагноз, анализируя фотографию кожи пациента. Недавние тесты показали впечатляющие результаты: алгоритм ставил диагнозы так же точно, как и врачи-дерматологи с большим опытом и серьезной квалификацией. Для сравнения возможностей технологии авторы проекта попросили поставить диагноз по изображению участков кожи различных людей профессиональных дерматологов (с верификацией диагноза), а затем эти же изображения показывали машине.
«Мы создали очень мощный алгоритм глубинного обучения, который способен обучаться, используя данные», — заявил Андре Эстева, один из авторов исследования. «Вместо того, чтобы жестко программировать такую систему, мы позволили ей самой принимать решения».
Алгоритм получил название «глубинная конволюционная нейросеть». Ее возможности основаны на Google Brain, проекте корпорации Google, цель которого — изучение возможностей машинного обучения. Вычислительные мощности системы Google Brain дают возможность сторонним разработчикам создавать различные проекты по машинному обучению. Когда ученые начали работу, нейросеть могла идентифицировать более 1,28 млн объектов на снимках, разделенных на несколько тысяч разных категорий. Но у исследователей была четкая цель — им необходимо было обучить нейросеть правильно идентифицировать карциному и себорейный кератоз, а также научить систему отличать эти два заболевания друг от друга по снимкам с участками пораженной кожи человека.
Кроме того, компьютеру нужно было отличить эти элементы от обычных пигментных пятен, сыпи и прочих возможных изменений структуры кожи. Сделать это практически без ошибок в состоянии врач с большим багажом знаний и опыта. А ученые поставили перед собой задачу «воспитать» такого профессионала из нейросети.
Проблемой стало еще и то, что у специалистов не было достаточно большой выборки изображений, по которой можно было бы провести обучение системы. Поэтому им пришлось создать базу изображений самостоятельно. «Мы собрали фотографии из интернета и попросили врачей нам помочь в сортировке изображений», — говорит один из авторов исследования. Некоторые снимки авторы брали с зарубежных сайтов, так что понять, что написано в описании, было иногда попросту невозможно, поскольку сопроводительные тексты были на арабском, немецком, латыни и других языках.
Для того, чтобы изучить состояние участка кожи пациента, дерматологи зачастую используют медицинский инструмент, который называется дерматоскоп. Он дает определенный уровень увеличения, так что врач может видеть кожу в деталях. Устройство обеспечивает приблизительно одинаковую «картинку», так что фотография участка кожи, сделанная при помощи этого инструмента, понятна для любого дерматолога из любой страны мира. К сожалению для участников исследования, не все фотографии из интернета были сделаны с использованием дерматоскопа. Угол съемки, освещенность, степень увеличения — все это было разным.
В итоге ученые, проанализировав 130 000 изображений, выделили около 2000 разных типов заболеваний кожи. Они создали набор данных для библиотеки изображений, а затем «скормили» все это нейросети. Каждое изображение было представлено отдельным блоком, «пикселем», с краткой характеристикой болезни. Затем алгоритм «попросили» показать стадии развития одного и того же заболевания, предварительно выявив паттерны увеличения очага.
Различные категории изображений, на которые алгоритм разбил изначальную базу фотографий
После того, как все было готово, авторы проекта сравнили результаты диагноза, поставленного с системой, с известными результатами диагноза кожных заболеваний пациентов, поставленных двумя десятками дерматологов из Стэнфордской медицинской школы. Для проверки работы алгоритма ученые использовали только качественные изображения, сделанные профессионалами. Точность диагностики составила 91%, как у алгоритма, так и у врачей.
Свою разработку авторы планируют постепенно развивать. В частности, исследователи хотят создать приложение, которое будет напрямую работать с фотографиями участков кожи с проблемными местами, которые загружают сами пациенты. Это, по мнению исследователей, позволит упростить доступ к медицинским услугам для большого количества пациентов. И смартфоны здесь могут оказать неоценимую помочь. «Мой главный момент „Эврики“ был тогда, когда я осознал, насколько вездесущими будут смартфоны», — говорит один из инициаторов проекта, описывая процесс реализации работы от идеи до рабочего сервиса. «У любого человека теперь есть мощный компьютер с большим количеством сенсоров, включая камеру. Что, если можно использовать это для получения фото рака кожи или других видов заболеваний?».
В любом случае, исследователям перед выводом своей технологии в массы необходимо провести больше тестов, для того, чтобы окончательно настроить алгоритм. В этом случае крайне важно знать, каким образом машина классифицирует изображения.
«Возможности компьютерной классификации снимков — отличная помощь дерматологам, которые смогут ставить более точные диагнозы. Но в перспективе нужно подтвердить работоспособность алгоритма, это необходимо сделать перед внедрением такой практики в больницах», — считает Сьюзен Светтер, профессор дерматологии из Стэнфорда.
