Как наука о данных может улучшить рентгенологию и компьютерную томографию с помощью машинного обучения в визуализации

Сценарист: Габриэль Виейра Эквитц

Предисловие

Рентгеновские лучи и компьютерная томография* широко используются в радиологии, наиболее известной из которых является медицинская визуализация в современной медицине. Самая большая разница между этими двумя технологиями заключается в том, что рентгеновские лучи создают 2-мерные изображения, а компьютерная томография создает 3D-изображения. Хотя такие медицинские изображения могут интерпретироваться людьми, машинное обучение может помочь профессионалам при использовании таких технологий в здравоохранении (и за его пределами), позволяя выполнять их работу быстрее и точнее.

* КТ и КТ являются взаимозаменяемыми терминами: КТ (компьютерная томография) = сканирование КТ (компьютерная аксиальная томография)

История

Несмотря на то, что в наши дни перед человечеством стоят большие проблемы, я очень благодарен за современную медицину. До появления рентгеновских технологий диагностика заболеваний была очень плохой. На протяжении большей части истории человечества люди считали, что болезни вызываются демонами и другими сверхъестественными силами. Это не значит, что все в Ye Olden Days были идиотами, но даже лучшие врачи до промышленной революции имели ограниченные возможности диагностировать болезни, поскольку им не хватало технологий, которые есть у нас сегодня.

Рентгеновские лучи были случайно обнаружены Вильгельмом Рентгеном, немецким инженером-механиком, в 1895 году. Было обнаружено, что они создают плоские двумерные изображения, когда на объект попадает ультрафиолетовое излучение определенной длины волны. Поскольку рентгеновские лучи проникают через менее плотные материалы, их можно использовать для выделения более плотных материалов в менее плотном окружении. Он быстро стал использоваться в медицине (особенно для визуализации костей). Рентгеновские лучи вскоре стали отличительной чертой современной войны, поскольку миллионы рентгеновских лучей были проведены на раненых солдатах во время Первой мировой войны и в последующий период.

К сожалению, у рентгеновских лучей есть некоторые проблемы, так как это относительно старая технология. Эта технология, изобретенная без учета компьютеров, способна создавать только 2D-изображения. Кроме того, рентгеновские лучи эффективны только на твердых, а не на мягких тканях.

К счастью, сейчас у нас есть доступ к более совершенным технологиям. КТ (компьютерная томография) была изобретена в 1970-х годах, и с момента ее создания компьютеры использовались для визуализации. Сканеры КТ вращаются вокруг человека или объекта и получают трехмерный профиль как мягких, так и твердых тканей (это делается с помощью рентгеновского излучения). Он получает 3D-изображения путем захвата нескольких изображений поперечного сечения («срезов») тела, что позволяет людям заглянуть внутрь тела под разными углами, не разрезая никого.

Примечание. МРТ — это технология, аналогичная компьютерной томографии. Существуют и другие системы визуализации, такие как ПЭТ-сканирование, но они не будут рассматриваться для краткости.

Наука о данных в медицинской визуализации

Искусственный интеллект имеет решающее значение для современной медицинской визуализации. Разные диагнозы по-разному отображаются на снимках. Например, на КТ легких мы можем увидеть:

Пневмония (инфекция легких)
Эмфизема (поражение легких, часто связанное с курением)
Рак легких
Пневмоторакс (попадание воздуха из легких в тело)

Различия в поперечных сечениях CT можно увидеть на этом рисунке:

В то время как знающий врач может определить нормальный диагноз, нейронные сети могут предоставить информацию, которой врачи (и другие люди) обычно не обладают. В частности, для этого используются сверточные нейронные сети (CNN).

Глубокое обучение не только способно обнаруживать рак точнее (и быстрее), чем человек, но и раньше. Это может иметь решающее значение для рака. Например, 5-летняя выживаемость больных раком желудка, выявленным на ранней стадии, превышает 90%. Напротив, выживаемость при раке желудка может составлять всего 6% при отдаленном (позднем) обнаружении. Алгоритмы машинного обучения могут быть обучены обнаруживать такие виды рака раньше, чем в противном случае.

Искусственный интеллект в радиологии можно использовать не только для лечения старых болезней, но и для лечения новых. В прошлом году, в 2020 году, было обнаружено, что компьютерная томография с машинным обучением способна обнаруживать COVID-19 в легких. Это особенно полезно, когда нет или не хватает других точных тестов (особенно в первые дни пандемии).

КТ в палеонтологии

Помимо науки о данных, моей страстью являются древние животные. Исследования для этого блога позволили глубже изучить машинное обучение, связанное с радиологией (каламбур). Раньше было намного сложнее идентифицировать окаменелости. В Оксфорде выпускные экзамены по зоологии состояли в том, чтобы идентифицировать определенный массив окаменелостей. Самые умные биологи в мире изо всех сил пытались отличить разные виды, основываясь только на костях. Этим студентам больше не нужно страдать, поскольку нейронные сети теперь быстрее и точнее людей определяют виды на основе окаменелостей.

Поскольку окаменелости имеют меньшую плотность, чем окружающая их порода, компьютерная томография позволяет палеонтологам анализировать останки, не повреждая их (важно, когда даже мягкие щетки могут разрушить хрупкие окаменелости). Как и в медицинских целях, мы можем получить представление о внутренних мягких тканях. Микро-КТ окаменелостей с искусственным интеллектом может идентифицировать крошечные образцы намного лучше, чем люди. Например, мы можем увидеть компьютерную томографию окаменелостей семян, раскрывающую структуру растений, живших миллионы лет назад.

Дополнительное использование

Важно отметить, что эту технологию можно использовать и в сельском, и в лесном хозяйстве. Рентгеновскую томографию можно использовать для анализа почвы, корней и семян, посаженных под землю. Теперь пользователи могут анализировать почву и растения (и все, что находится ниже), не вырывая растения с корнем и не нанося иного ущерба. Это означает, что нейронные сети могут идентифицировать кластеры в популяциях растений (что позволяет проводить фенотипирование растений, группировать организмы на основе внешнего вида). Аналогичные приложения можно использовать в лесном хозяйстве для оценки состояния экосистем.

Еще одно допустимое использование нейронных сетей с компьютерной томографией касается сканирования безопасности. В аэропортах и других местах со сканерами тела важно идентифицировать оружие и контрабанду для общественной безопасности. До недавнего времени люди были обязаны идентифицировать такие незаконные предметы, хотя люди довольно склонны к ошибкам. Однако сегодня нейронные сети позволяют компьютерам идентифицировать контрабанду с еще большей точностью. Это означает, что глубокое обучение позволяет проводить проверки безопасности быстрее и лучше, что, как мы надеемся, сделает работу в аэропорту лучше для всех.

Будущее

Эта технология имеет большой потенциал для роста в будущем. Нейронные сети изменят работу рентгенологов, поскольку глубокое обучение становится все лучше и лучше в четком обнаружении объектов на рентгеновских снимках, компьютерной томографии, МРТ и других технологиях визуализации. В частности, в будущем будет развиваться распознавание более мелких и трудноразличимых объектов. Люди, скорее всего, по-прежнему будут играть некоторую роль в диагностике, но со временем она почти наверняка уменьшится.

Наконец, я хотел упомянуть интересную статью, которую я нашел, демонстрирующую, что системы ИИ могут определить, собираетесь ли вы умереть. Анализируя компьютерные томограммы 48 пациентов, исследователи из Кембриджа смогли использовать глубокое обучение, чтобы предсказать, умрет ли пациент в течение пяти лет. Модель имела точность 69%.

Я надеюсь, что этот блог помог вам. Спасибо за чтение!