Нейросеть нашла опухоль там, где врач сомневался: ученые создали новый ИИ для поиска рака груди

Российские и индийские ученые разработали компактную систему искусственного интеллекта для диагностики рака молочной железы, которая продемонстрировала точность до 99,72% при значительно меньших требованиях к вычислительным ресурсам. О результатах исследования сообщили авторы разработки, а ее особенности эксклюзивно для Наука Mail прокомментировал научный сотрудник группы «Мультимодальные архитектуры ИИ» Института AIRI Иван Панин.

В основе новой технологии лежит объединение двух компактных сверточных нейросетей. Исследователи связали их с помощью механизма взаимного обмена информацией, который позволяет усиливать значимые для диагностики признаки и отсеивать менее информативные. Во время испытаний на двух международных специализированных наборах изображений система достигла точности 97% при распознавании здоровой ткани, доброкачественных образований, а также различных стадий рака. При определении самого наличия заболевания этот показатель составил 99%, а на эталонном наборе гистопатологических изображений при 100-кратном увеличении — 99,72%. Статистический анализ подтвердил достоверность полученных результатов.

Панин пояснил, что современные диагностические системы действительно нередко строятся на трансформерах или ансамблях нейросетей, требующих больших вычислительных ресурсов. Однако, по его словам, размер модели сам по себе не гарантирует более высокой точности. Существенное значение имеют качество обучающих данных, их разметка, соответствие клинической практике, а также настройка алгоритмов. Эксперт подчеркнул, что в данном случае речь идет не об отказе от тяжелых моделей, а о возможности решить конкретную задачу более компактным способом.

По словам специалиста, одна нейросеть снижает вычислительную нагрузку благодаря небольшим сверточным фильтрам, а вторая использует упрощенные операции и механизм перемешивания каналов. Он отметил, что сети извлекают разные характеристики изображения, поэтому их совместная работа оказывается эффективнее применения одной модели. Механизм обмена информацией Панин сравнил с системой регулируемых заслонок, которая усиливает наиболее полезные признаки и ослабляет повторяющиеся или малоинформативные перед объединением результатов двух сетей.

Эксперт также объяснил, что нейросети не понимают медицинский смысл признаков, а выявляют статистические закономерности на основе изображений с известными диагнозами. При этом он обратил внимание, что модель может учитывать не только патологические изменения, но и особенности окрашивания препаратов, оборудования или подготовки образцов. По словам Панина, карты Grad-CAM позволяют предварительно оценить области изображения, повлиявшие на решение алгоритма, однако такие результаты требуют последующего подтверждения экспертной разметкой.