ldtЛучевая диагностика и терапияDiagnostic radiology and radiotherapy2079-5343Baltic Medical Education Center10.22328/2079-5343-2020-11-1-9-17ldt-475Research ArticleРЕДАКЦИОННАЯ СТАТЬЯEDITORIALИскусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностикиArtificial intelligence in medicine: current state and main directions of development of the intellectual diagnosticshttps://orcid.org/0000-0002-4906-9901МелдоА. А.MeldoA. A.

Мелдо Анна Александровна — кандидат медицинских наук, старший научный сотрудник научно-исследовательской лаборатории нейросетевых технологий и искусственного интеллекта федерального государственного автономного образовательного учреждения высшего образования «Санкт-Петербургский политехнический университет Петра Великого»; заведующая отделением лучевой диагностики Государственного бюджетного учреждения здравоохранения «Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический)». SPIN 7434-6468

195251, Санкт-Петербург, Политехническая ул., д. 29197758, Санкт-Петербург, пос. Песочный, Ленинградская ул., д. 68, лит. А 

Аnna А. Meldo

St. Petersburg

anna.meldo@yandex.ruhttps://orcid.org/0000-0002-5637-1420УткинЛ. В.UtkinL. V.

Уткин Лев Владимирович — доктор технических наук, профессор, директор высшей школы прикладной математики и вычислительной физики, заведующий научно-исследовательской лаборатории нейросетевых технологий и искусственного интеллекта. SPIN 6420-0722

195251, Санкт-Петербург, Политехническая ул., д. 29

Lev V. Utkin

St. Petersburg

lev.utkin@mail.ruТрофимоваТ. Н.TrofimovaT. N.

Трофимова Татьяна Николаевна — доктор медицинских наук, профессор кафедры рентгенологии и радиологии федерального государственного бюджетного образовательного учреждения высшего образования «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П.Павлова» Минздрава России; заместитель генерального директора/главный врач медицинской компании «АВАПетер», директор научно-клинического и образовательного центра «Лучевая диагностика и ядерная медицина» федерального государственного бюджетного образовательного учреждения высшего образования «Санкт-Петербургский государственный университет»

197022, Санкт-Петербург, ул. Льва Толстого, д. 6–8199034, Санкт-Петербург, Университетская набережная, д. 7–9

Тatiyana N. Trofimova

St. Petersburg

trofimova-TN@avaclinic.ruСанкт-Петербургский политехнический университет Петра Великого; Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический)РоссияSt. Petersburg Peter the Great Polytechnic University; St. Peterburg Clinical Research Center оf Specialized Types оf Medical Care (oncological)Russian FederationСанкт-Петербургский политехнический университет Петра ВеликогоРоссияSt. Petersburg Peter the Great Polytechnic UniversityRussian FederationСанкт-Петербургский государственный университетРоссияSt. Petersburg UniversityRussian Federation202001042020111917Copyright © Мелдо А.А., Уткин Л.В., Трофимова Т.Н., 20202020Мелдо А.А., Уткин Л.В., Трофимова Т.Н.Meldo A.A., Utkin L.V., Trofimova T.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://radiag.bmoc-spb.ru/jour/article/view/475

Главное отличие систем искусственного интеллекта (ИИ) от простых автоматизированных алгоритмов заключается в способности к обучению, обобщению и выводу. Система ИИ обучается на множестве примеров, включая снимки, характеристики пациентов с определенным заболеванием, далее она позволяет обобщить множество таких примеров и получить некоторую общую функциональную зависимость, которая приводит в соответствие данные о пациенте и определенный диагноз. Интеллектуальной система становится при реализации этой обобщающей способности. Несмотря на то, что в настоящее время тематика ИИ становится более понимаемой и принимаемой врачами, необходимо более глубокое понимание «как это работает». В статье приводится детальный обзор применения методов и моделей искусственного интеллекта в диагностике онкологических заболеваний на основе данных мультимодальной лучевой диагностики. Даны основные понятия искусственного интеллекта и направления его использования. С точки зрения обработки данных этапы разработки систем ИИ идентичны. В статье рассмотрены этапы интеллектуальной обработки диагностических данных, которые включают создание и использование обучающих баз данных онкологических заболеваний, предварительную обработку снимков, сегментацию изображений для выделения исследуемых объектов диагностики и классификацию этих объектов для определения, являются ли они злокачественными или доброкачественными. Одной из проблем, ограничивающих принятие развития систем ИИ медицинским сообществом, является несовершенство объяснимости результатов, получаемых при помощи интеллектуальных систем. В статье затронуты важные вопросы разработки объяснительного интеллекта, отсутствие которого в настоящее время существенно тормозит внедрение и использование интеллектуальных систем диагностики в медицине. Кроме того, цель статьи — путь к развитию взаимодействия между врачом и специалистом по искусственному интеллекту.

The main difference between artificial intelligence (AI) systems and simple automated algorithms is the ability to learn, synthesize and conclude. The AI system is trained on a set of examples, including pictures, characteristics of patients with a certain disease, then it allows to generalize a lot of such examples and get some general functional dependence, which brings in line the patient data and a certain diagnosis. The system can be named intelligent if this synthetizing ability is realized. Although the AI systems are now becoming more understood and accepted by doctors, a deeper understanding of «how it works» is needed. The article provides a detailed review of the application of methods and models of artificial intelligence in the diagnostics of cancer based on the of multimodal instrumental data. The basic concepts of artificial intelligence and directions of its development are presented. From the point of view of data processing, the stages of development of AI systems are identical. The stages of intellectual processing of diagnostic data are considered in the paper. They include the acquisition and use of training databases of oncological diseases, pre-processing of images, segmentation to highlight the studied objects of diagnosis and classification of these objects to determine whether they are malignant or benign. One of the problems limiting the acceptance of AI systems development by the medical community is the imperfection of the explainability of the results obtained by intelligent systems. Authors pay attention to importance of the development of so-called explanatory intelligence, because its absence currently significantly inhibits the introduction and use of intelligent diagnostic systems in medicine. In addition, the purpose of the article is a way to develop the interaction between a radiologists and data scientists.

искусственный интеллектмашинное обучениеонкологические заболеванияинтеллектуальная диагностикаartificial intelligencemachine learningoncological diseasesintellectual diagnosticsИсследование выполнено за счет гранта Российского научного фонда (проект № 18-11-00078).The research was carried out at the expense of a grant from the Russian science Foundation (project No. 18-11-00078).ReferencesHaenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., Kalloo A., Hassen A.B.H., Thomas L., Enk A., Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists // Annals of Oncology. 2018. Vol. 29 (8). Р. 1836–1842. DOI: 10.1093/annonc/mdy166.Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., Kalloo A., Hassen A.B.H., Thomas L., Enk A., Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists // Annals of Oncology. 2018. Vol. 29 (8). Р. 1836–1842. DOI: 10.1093/annonc/mdy166.Armato III S.G., McLennan G. et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical Physics. 2011. Vol. 38 (2). P. 915–931. DOI: 10.1118/1.3528204.Armato III S.G., McLennan G. et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical Physics. 2011. Vol. 38 (2). P. 915–931. DOI: 10.1118/1.3528204.Menze B.H., Jakab A. et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) // IEEE Trans. Med. Imaging. 2015. No. 34. P. 1993–2024, DOI: 10.1109/TMI.2014.2377694.Menze B.H., Jakab A. et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) // IEEE Trans. Med. Imaging. 2015. No. 34. P. 1993–2024, DOI: 10.1109/TMI.2014.2377694.Bilic P., Christ P.F. et al. The Liver Tumor Segmentation Benchmark (LiTS) // arXiv: 1901.04056, Jan 2019.Bilic P., Christ P.F. et al. The Liver Tumor Segmentation Benchmark (LiTS) // arXiv: 1901.04056, Jan 2019.Xian M., Zhang Y., Cheng H.D., Xu F., Huang K., Zhang B., Ding J., Ning C., Wang Y. A Benchmark for Breast Ultrasound Image Segmentation (BUSIS) // arXiv: 1801.03182, Jan 2018.Xian M., Zhang Y., Cheng H.D., Xu F., Huang K., Zhang B., Ding J., Ning C., Wang Y. A Benchmark for Breast Ultrasound Image Segmentation (BUSIS) // arXiv: 1801.03182, Jan 2018.Codella N.C.F., Gutman D. et al. Skin lesion analysis toward melanoma detection: A challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), hosted by the international skin imaging collaboration (ISIC) // CoRR. 2017. Vol. abs/1710.05006.Codella N.C.F., Gutman D. et al. Skin lesion analysis toward melanoma detection: A challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), hosted by the international skin imaging collaboration (ISIC) // CoRR. 2017. Vol. abs/1710.05006.Litjens G. et al. Evaluation of prostate segmentation algorithms for MRI: the PROMISE12 challenge // arXiv: 18.2, Feb. 2014. eemcs-eprint-24608. Р. 359–373. DOI: 10.1016/j.media.2013.12.002.Litjens G. et al. Evaluation of prostate segmentation algorithms for MRI: the PROMISE12 challenge // arXiv: 18.2, Feb. 2014. eemcs-eprint-24608. Р. 359–373. DOI: 10.1016/j.media.2013.12.002.Tschandl P., Rosendahl C., Kittler H. The HAM10000 Dataset: A Large Collection of Multi-Source Dermatoscopic Images of Common Pigmented Skin Lesions // arXiv. 1803.10417, Mar 2018.Tschandl P., Rosendahl C., Kittler H. The HAM10000 Dataset: A Large Collection of Multi-Source Dermatoscopic Images of Common Pigmented Skin Lesions // arXiv. 1803.10417, Mar 2018.Clark K., Vendt B., Smith K. et al. The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository // Journal of Digital Imaging. 2013. Vol. 26, No. 6. P. 1045–1057. DOI: 10.1007/s10278-013-9622-7Clark K., Vendt B., Smith K. et al. The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository // Journal of Digital Imaging. 2013. Vol. 26, No. 6. P. 1045–1057. DOI: 10.1007/s10278-013-9622-7Shao H., Cao L., Liu Y. A detection approach for solitary pulmonary nodules based on CT images // In Computer Science and Network Technology (ICCSNT) 2012 2<sup>nd</sup> International Conference On. Changchun. 2012. Р. 1253–1257.Shao H., Cao L., Liu Y. A detection approach for solitary pulmonary nodules based on CT images // In Computer Science and Network Technology (ICCSNT) 2012 2<sup>nd</sup> International Conference On. Changchun. 2012. Р. 1253–1257.Geremia E., Menze B.H., Ayache N. Spatially adaptive random forests // 2013 IEEE International Symposium on Biomedical Imaging: From Nano to Macro. IEEE, 2013. Р. 1332–1335. DOI: 10.1007/s11749-016-0482-6.Geremia E., Menze B.H., Ayache N. Spatially adaptive random forests // 2013 IEEE International Symposium on Biomedical Imaging: From Nano to Macro. IEEE, 2013. Р. 1332–1335. DOI: 10.1007/s11749-016-0482-6.Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32.Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32.Zhou Z.-H., Feng J. Deep forest: Towards an alternative to deep neural networks // Proceedings of the 26<sup>th</sup> International Joint Conference on Artificial Intelligence (IJCAI’17), pp. 3553–3559, Melbourne, Australia, 2017.Zhou Z.-H., Feng J. Deep forest: Towards an alternative to deep neural networks // Proceedings of the 26<sup>th</sup> International Joint Conference on Artificial Intelligence (IJCAI’17), pp. 3553–3559, Melbourne, Australia, 2017.Utkin L.V., Konstantinov A.V., Meldo A.A. Deep Forest as a framework for a new class of machine learning models // National Science Review. 2019. DOI: 10.1093/nsr/nwy151.Utkin L.V., Konstantinov A.V., Meldo A.A. Deep Forest as a framework for a new class of machine learning models // National Science Review. 2019. DOI: 10.1093/nsr/nwy151.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.Nikolenko C., Kadurin A., Archangelskaya E. Deep learning. 2018. 480 p. (In Russ.)Badrinarayanan V., Kendall A., Cipolla R. SegNet: A deep convolutional encoderdecoder architecture for image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, No. 12. P. 2481–2495.Badrinarayanan V., Kendall A., Cipolla R. SegNet: A deep convolutional encoderdecoder architecture for image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, No. 12. P. 2481–2495.Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015. P. 3431–3440.Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015. P. 3431–3440.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv:1505.04597, May 2015.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv:1505.04597, May 2015.Uday K.U., Rafi A.M., Hoque R., Hasan M.K. Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseU-Net // arXiv: 1812.01951, Dec 2018.Uday K.U., Rafi A.M., Hoque R., Hasan M.K. Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseU-Net // arXiv: 1812.01951, Dec 2018.Agnes S.A., Anitha, J., Peter J.D. Automatic lung segmentation in low-dose chest CT scans using convolutional deep and wide network (CDWN) // Neural Computing and Applications. 2018. P. 1–11, DOI: 10.1007/s00521-018-3877-3.Agnes S.A., Anitha, J., Peter J.D. Automatic lung segmentation in low-dose chest CT scans using convolutional deep and wide network (CDWN) // Neural Computing and Applications. 2018. P. 1–11, DOI: 10.1007/s00521-018-3877-3.Aresta G., Jacobs C., Araujo T., Cunha A., Ramos I., van Ginneken B., Campilho A. iW-Net: an automatic and minimalistic interactive lung nodule segmentation deep network // arXiv: 1811.12789, Nov 2018.Aresta G., Jacobs C., Araujo T., Cunha A., Ramos I., van Ginneken B., Campilho A. iW-Net: an automatic and minimalistic interactive lung nodule segmentation deep network // arXiv: 1811.12789, Nov 2018.Ben-Cohen A., Diamant I., Klang E., Amitai M., Greenspan H. Fully convolutional network for liver segmentation and lesions detection // International Workshop on Large-Scale Annotation of Biomedical Data and Expert Label Synthesis, Springer. 2016. P. 77–85. DOI: 10.1007/978-3-319-46976-8_9.Ben-Cohen A., Diamant I., Klang E., Amitai M., Greenspan H. Fully convolutional network for liver segmentation and lesions detection // International Workshop on Large-Scale Annotation of Biomedical Data and Expert Label Synthesis, Springer. 2016. P. 77–85. DOI: 10.1007/978-3-319-46976-8_9.Wang G., Li W., Ourselin S., Vercauteren T. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. Springer International Publishing. 2018. P. 178–190Wang G., Li W., Ourselin S., Vercauteren T. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. Springer International Publishing. 2018. P. 178–190Lee J., Oh J.E., Kim M.J., Hur B.Y., Cho S.A., Sohn D.K. Fully Convolutional Network-based Multi-Task Learning for Rectum and Rectal Cancer Segmentation // arXiv: 1901.07213. Mar 2017.Lee J., Oh J.E., Kim M.J., Hur B.Y., Cho S.A., Sohn D.K. Fully Convolutional Network-based Multi-Task Learning for Rectum and Rectal Cancer Segmentation // arXiv: 1901.07213. Mar 2017.Yu Q., Shi Y., Sun J., Gao Y., Dai Y., Zhu J. Crossbar-Net: A Novel Convolutional Network for Kidney Tumor Segmentation in CT Images // arXiv: 1804.10484, Apr 2018.Yu Q., Shi Y., Sun J., Gao Y., Dai Y., Zhu J. Crossbar-Net: A Novel Convolutional Network for Kidney Tumor Segmentation in CT Images // arXiv: 1804.10484, Apr 2018.Tan M., Deklerck R., Jansen B., Bister M., Cornelis J. A novel computer-aided lung nodule detection system for CT images // Medical physics. 2011. Vol. 38 (10). P. 5630–5645. DOI: 10.1118/1.3633941Tan M., Deklerck R., Jansen B., Bister M., Cornelis J. A novel computer-aided lung nodule detection system for CT images // Medical physics. 2011. Vol. 38 (10). P. 5630–5645. DOI: 10.1118/1.3633941Zhou T., Lu H., Zhang J., Shi H. Pulmonary nodule detection model based on svm and ct image feature-level fusion with rough sets // BioMed Research International (Article ID 8052436). 2016. Vol. 113. DOI: 10.1155/2016/8052436Zhou T., Lu H., Zhang J., Shi H. Pulmonary nodule detection model based on svm and ct image feature-level fusion with rough sets // BioMed Research International (Article ID 8052436). 2016. Vol. 113. DOI: 10.1155/2016/8052436Walawalkar D. A fully automated framework for lung tumour detection, segmentation and analysis // arXiv: 1801.01402, Jan 2018.Walawalkar D. A fully automated framework for lung tumour detection, segmentation and analysis // arXiv: 1801.01402, Jan 2018.Farag A.A., Ali A., Elshazly S. Feature fusion for lung nodule classification // International Journal of Computer Assisted Radiology and Surgery. 2017. Vol. 12 (10). P. 1809–1818, DOI: 10.1007/s11548-017-1626-1.Farag A.A., Ali A., Elshazly S. Feature fusion for lung nodule classification // International Journal of Computer Assisted Radiology and Surgery. 2017. Vol. 12 (10). P. 1809–1818, DOI: 10.1007/s11548-017-1626-1.Мелдо А.А., Уткин Л.В. Обзор методов машинного обучения в диагностике рака легкого // Искусственный интеллект и принятие решений. 2018. № 3. С. 28–38. DOI: 10.14357/20718594180313.Meldo A.A., Utkin L.V. A review of the intelligent lung cancer diagnosis methods. Artificial intelligence and making decisions, 2018, No. 3, рр. 28–38 (In Russ.) DOI: 10.14357/20718594180313.Мелдо А.А., Уткин Л.В., Моисеенко В.М. Алгоритмы диагностики XXl века. Искусственный интеллект в распознавании рака легкого // Практическая онкология. 2018. Т. 19. № 3. С. 292–298. DOI: 10.31917/1903292.Meldo A.A., Utkin L.V., Moiseenko V.M. XXl century diagnostic algorithms. Artificial intelligence in lung cancer detection, Practical oncology. 2018, Vol. 19, No. 3, рр. 292–298 (In Russ.) DOI: 10.31917/1903292.Моисеенко В.М., Мелдо А.А., Уткин Л.В., Прохоров И.Ю., Рябинин М.А., Богданов А.А. Автоматизированная система обнаружения объемных образований в легких как этап развития искусственного интеллекта в диагностике рака легкого // Лучевая диагностика и терапия. 2018. № 3. С. 62–68. DOI: 10.22328/2079-5343-2018-9-3-62-68.Moiseenko V.M., Meldo A.A., Utkin L.V., Prokhorov I.Y., Ryabinin M.A., Bogdanov A.A. Automatic detection system of lung masses as a stage of the artificial intelligence development in the diagnostics of lung cancer. Radiological diagnostics and therapy, 2018, No. 3, рр. 62–68 (In Russ.) DOI: 10.22328/2079-5343-2018-9-3-62-68.Kingma D.P., Welling M. Auto-Encoding Variational Bayes // arXiv: 1312.6114v10, May 2014.Kingma D.P., Welling M. Auto-Encoding Variational Bayes // arXiv: 1312.6114v10, May 2014.Taha A., Lo P., Li J., Zhao T. Kid-Net: Convolution Networks for Kidney Vessels Segmentation from CT-Volumes // arXiv: 1806.06769, Jun 2018.Taha A., Lo P., Li J., Zhao T. Kid-Net: Convolution Networks for Kidney Vessels Segmentation from CT-Volumes // arXiv: 1806.06769, Jun 2018.Tan J., Jing L., Huo Y., Tian Y., Akin O. LGAN: Lung Segmentation in CT Scans Using Generative Adversarial Network // arXiv: 1901.03473, Jan 2019.Tan J., Jing L., Huo Y., Tian Y., Akin O. LGAN: Lung Segmentation in CT Scans Using Generative Adversarial Network // arXiv: 1901.03473, Jan 2019.Bulten W., Litjens G. Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders // arXiv: 1804.07098, Apr 2018.Bulten W., Litjens G. Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders // arXiv: 1804.07098, Apr 2018.Ren J., Hacihaliloglu I., Singer E.A. et al. Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images // arXiv: 1806.01357, Jun 2018.Ren J., Hacihaliloglu I., Singer E.A. et al. Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images // arXiv: 1806.01357, Jun 2018.Lu Y., Xu P. Anomaly Detection for Skin Disease Images Using Variational Autoencoder // arXiv: 1807.01349, Jul 2018.Lu Y., Xu P. Anomaly Detection for Skin Disease Images Using Variational Autoencoder // arXiv: 1807.01349, Jul 2018.Holzinger A., Biemann C., Pattichis C.S., Kell D.B. What do we need to build explainable AI systems for the medical domain? // arXiv: 1712.09923, Dec 2017.Holzinger A., Biemann C., Pattichis C.S., Kell D.B. What do we need to build explainable AI systems for the medical domain? // arXiv: 1712.09923, Dec 2017.Bromley J., Bentz J.W., Bottou L., Guyon I., LeCun Y., Moore C., Sackinger E., Shah R. Signature verification using a Siamese time delay neural network // International Journal of Pattern Recognition and Artificial Intelligence. 1993. Vol. 7 (4). P. 737–744.Bromley J., Bentz J.W., Bottou L., Guyon I., LeCun Y., Moore C., Sackinger E., Shah R. Signature verification using a Siamese time delay neural network // International Journal of Pattern Recognition and Artificial Intelligence. 1993. Vol. 7 (4). P. 737–744.Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // Proceedings of the 32<sup>nd</sup> International Conference on Machine Learning. 2015. Vol. 37. P. 1–8.Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // Proceedings of the 32<sup>nd</sup> International Conference on Machine Learning. 2015. Vol. 37. P. 1–8.

The authors declare that there are no conflicts of interest present.