Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики

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.

искусственный интеллект, машинное обучение, онкологические заболевания, интеллектуальная диагностика

1. 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.

2. 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.

3. 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.

4. Bilic P., Christ P.F. et al. The Liver Tumor Segmentation Benchmark (LiTS) // arXiv: 1901.04056, Jan 2019.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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/s10278-013-9622-7

10. 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^nd International Conference On. Changchun. 2012. Р. 1253–1257.

11. 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.

12. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32.

13. Zhou Z.-H., Feng J. Deep forest: Towards an alternative to deep neural networks // Proceedings of the 26^th International Joint Conference on Artificial Intelligence (IJCAI’17), pp. 3553–3559, Melbourne, Australia, 2017.

14. 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.

15. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.

16. 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.

17. 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.

18. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv:1505.04597, May 2015.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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. 178–190

24. 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.

25. 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.

26. 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: 10.1118/1.3633941

27. Zhou 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: 10.1155/2016/8052436

28. Walawalkar D. A fully automated framework for lung tumour detection, segmentation and analysis // arXiv: 1801.01402, Jan 2018.

29. 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.

30. 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.

31. 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.

32. 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.

33. Kingma D.P., Welling M. Auto-Encoding Variational Bayes // arXiv: 1312.6114v10, May 2014.

34. Taha A., Lo P., Li J., Zhao T. Kid-Net: Convolution Networks for Kidney Vessels Segmentation from CT-Volumes // arXiv: 1806.06769, Jun 2018.

35. 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.

36. Bulten W., Litjens G. Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders // arXiv: 1804.07098, Apr 2018.

37. 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.

38. Lu Y., Xu P. Anomaly Detection for Skin Disease Images Using Variational Autoencoder // arXiv: 1807.01349, Jul 2018.

39. 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.

40. 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.

41. Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // Proceedings of the 32^nd International Conference on Machine Learning. 2015. Vol. 37. P. 1–8.