«Наличие вариантов может помочь в принятии решений. Даже простое осознание неопределенности на медицинском изображении может повлиять на решение человека, поэтому важно учитывать эту неопределенность», — говорит Марианна Ракич, аспирантка в области компьютерных наук в Массачусетском технологическом институте.

Ракич является ведущим автором статьи, опубликованной совместно с другими исследователями из Массачусетского технологического института, Института Броуда при Массачусетском технологическом институте и Гарвардского университета, а также Массачусетской больницы общего профиля, в которой представлен новый инструмент искусственного интеллекта, способный выявлять неопределенности на медицинских изображениях.

Система, известная как Tyche (названная в честь греческого бога случайности), предлагает несколько правдоподобных сегментаций, которые выделяют слегка различающиеся области медицинского изображения. Пользователь может указать, сколько вариантов предлагает Tyche, и выбрать тот, который наиболее подходит для его целей.

И что еще важнее, Tyche может решать новые задачи сегментации без необходимости переобучения. Обучение — это ресурсоемкий процесс, включающий демонстрацию модели множества примеров и требующий обширных знаний в области машинного обучения.

Поскольку метод Тихе не требует переподготовки, он может быть проще в использовании для врачей и биомедицинских исследователей, чем другие методы. Его можно применять «сразу же» для решения самых разных задач, от выявления поражений на рентгеновском снимке грудной клетки до обнаружения аномалий на МРТ головного мозга.

В конечном итоге, эта система может улучшить диагностику или помочь в биомедицинских исследованиях, привлекая внимание к потенциально важной информации, которую могут упустить другие инструменты искусственного интеллекта.

«Неоднозначность изучена недостаточно. Если ваша модель игнорирует узел, наличие которого утверждают три эксперта, а двое — нет, вам, вероятно, следует обратить на это внимание», — добавляет Адриан Далка, ведущий автор исследования, доцент Гарвардской медицинской школы и Массачусетской больницы общего профиля, а также научный сотрудник Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) Массачусетского технологического института.

Среди соавторов — Халли Вонг, аспирантка факультета электротехники и вычислительной техники; Хосе Хавьер Гонсалес Ортис, доктор философии (23); Бет Чимини, заместитель директора по анализу биоизображений в Институте Броуда; и Джон Гуттаг, профессор компьютерных наук и электротехники имени Дугалда К. Джексона. Ракич представит Tyche на конференции IEEE по компьютерному зрению и распознаванию образов, где Tyche был выбран в качестве основного проекта.

Устранение неопределенности

В системах искусственного интеллекта для сегментации медицинских изображений часто используются нейронные сети. Основанные на работе человеческого мозга, нейронные сети представляют собой модели машинного обучения, состоящие из множества взаимосвязанных слоев узлов, или нейронов, которые обрабатывают данные.

После бесед с коллегами из Института Броуда и Массачусетской больницы общего профиля, которые используют эти системы, исследователи поняли, что существуют две основные проблемы, ограничивающие их эффективность. Модели не могут учитывать неопределенность и требуют переобучения даже для немного отличающейся задачи сегментации.

Некоторые методы направлены на преодоление одного из препятствий, но решение обеих проблем одним способом оказалось особенно сложным, говорит Ракич.

«Чтобы учесть неоднозначность, часто приходится использовать чрезвычайно сложную модель. Наша цель с предлагаемым нами методом — упростить его использование с относительно небольшой моделью, чтобы она могла быстро делать прогнозы», — говорит он.

Исследователи создали Tyche, модифицировав простую архитектуру нейронной сети.

Сначала пользователь предоставляет Tyche несколько примеров, иллюстрирующих задачу сегментации. Например, примеры могут включать несколько изображений поражений на МРТ сердца, сегментированных разными экспертами, чтобы модель могла изучить задачу и увидеть, что существует неоднозначность.

Исследователи обнаружили, что для того, чтобы модель делала хорошие прогнозы, достаточно всего 16 примеров изображений, называемых «контекстным набором», но количество используемых примеров не ограничено. Контекстный набор позволяет модели Tyche решать новые задачи без необходимости переобучения.

Чтобы позволить Тихе учитывать неопределенность, исследователи модифицировали нейронную сеть таким образом, чтобы она выдавала несколько прогнозов на основе входного медицинского изображения и набора контекстов. Они настроили слои сети так, чтобы по мере передачи данных от одного слоя к другому, сегментации-кандидаты, полученные на каждом шаге, могли «взаимодействовать» друг с другом и с примерами в наборе контекстов.

Таким образом, модель может гарантировать, что все варианты сегментации будут немного отличаться друг от друга, но при этом позволят решить задачу.

«Это как бросать игральные кости. Если ваша модель может выбросить двойку, тройку или четверку, но не знает, что у вас уже есть двойка и четверка, то любой из этих вариантов может появиться снова», — говорит он.

Они также изменили процесс обучения, чтобы поощрять его, максимально повышая качество его лучшего прогноза.

Если пользователь запросит пять вариантов прогнозирования, он в конечном итоге сможет увидеть пять сегментаций медицинских изображений, полученных с помощью Tyche, хотя один из них может оказаться лучше остальных.

Исследователи также разработали версию Tyche, которую можно использовать с предварительно обученной моделью сегментации медицинских изображений. В этом случае Tyche позволяет модели генерировать несколько вариантов путем незначительных преобразований изображения.

Более точные и быстрые прогнозы

Когда исследователи протестировали Tyche на размеченных наборах медицинских изображений, они обнаружили, что его предсказания отражают разнообразие мнений людей-аннотаторов, и что его лучшие предсказания превосходят предсказания любой из эталонных моделей. Кроме того, Tyche оказался быстрее большинства моделей.

«Подбор нескольких кандидатов и обеспечение их различий друг от друга действительно дает вам преимущество», — говорит Ракич.

Исследователи также отметили, что модель Tyche может превзойти более сложные модели, обученные на большом специализированном наборе данных.

В перспективе они планируют поэкспериментировать с более гибким набором контекстов, возможно, включающим текст или различные типы изображений. Они также хотят изучить методы улучшения неточных прогнозов Тихе и усовершенствовать систему, чтобы она могла рекомендовать наиболее подходящих кандидатов для таргетирования.

Данное исследование частично финансируется Национальными институтами здравоохранения, Центром Эрика и Венди Шмидт при Институте Броуда Массачусетского технологического института и Гарвардского университета, а также компанией Quanta Computer.

###

Автор статьи: Адам Зеве, MIT News