Компьютерная томография, или, как её ласково называют в узких кругах — КТ, давно перестала быть загадкой для пациентов и врачей. Это как волшебное окно в тело человека, только без фокусов и с дозой рентгеновского излучения, которая заставляет задуматься: «А не слишком ли я сегодня герой?» Ведь задача диагноста — поймать момент, когда болезнь ещё не успела разгуляться, но при этом не превратить пациента в радиационного супергероя.
Тут начинается настоящий танец с бубном: если уменьшить дозу излучения, снимок может получиться таким размытым, что диагноз будет ставиться по принципу «угадай-ка». А если доза высокая — тогда уж точно можно прославиться на местном радиоактивном фестивале.
Но спасение приходит откуда? От искусственного интеллекта!
Да-да, теперь ИИ не только спорит с нами в шахматы и пишет стихи, но и помогает врачам балансировать между качеством снимков и безопасностью пациента. Машинное обучение — это как умный ассистент с фотоаппаратом: он знает, где поставить фокус и как убрать шумы так, чтобы на снимке появилась чёткая картина болезни.
Врачам теперь не нужно гадать на кофейной гуще или смотреть на пятна без объяснений — алгоритмы рассказывают им историю каждого пикселя.
Конечно, даже у этих цифровых гениев есть свои тараканы в голове. Иногда алгоритм начинает подозревать у здорового человека болезнь просто потому что увидел что-то подозрительное — это называется ложноположительным результатом. Или же пропускает реально больного — ложноотрицательный результат.
Представьте себе детектива Шерлока Холмса-ИИ: иногда он видит следы там, где их нет (и начинает гоняться за призраками), а иногда пропускает настоящие улики. Поэтому разработчики тщательно выбирают данные для обучения нейросетей: качество снимков должно быть высшего сорта, а разметка — точной до пикселя. Нейросети занимаются реконструкцией изображений так искусно, что даже старые добрые пленочные фотоаппараты обзавидуются.
А чтобы врачи не чувствовали себя перед загадочной «чёрной коробкой», где решения принимаются непонятно кем и непонятно как, учёные создают объяснимые модели классификации. Это как если бы ваш автомобиль не только ехал сам по GPS-маршруту, но ещё и рассказывал вам вслух о каждом повороте и препятствии на дороге.
Такой подход помогает понять логику ИИ и избежать систематических ошибок.
Во время пандемии компьютерная томография стала настоящим героем экрана: когда врачи были завалены пациентами с подозрением на вирусную пневмонию (а симптомы похожи как близнецы-братья), именно машинное обучение помогало быстро определить природу заболевания. Американские исследователи даже опубликовали статью в Nature Communications о разработке алгоритма для распознавания COVID-19 по КТ-снимкам грудной клетки. Представьте себе: 2724 сканирования от 2617 пациентов были тщательно изучены экспертами-рентгенологами и использованы для обучения модели.
Потом эту модель проверяли аж в четырёх странах — Китае, Италии и Японии — словно международный чемпионат по распознаванию вируса.
В одном из тестов трёхмерная модель правильно выявила признаки COVID-19 у 87 из 109 пациентов — почти как хороший бариста угадывает ваш любимый кофе по запаху! Правда гибридная модель справилась чуть хуже — всего 74 из 109 случаев. Но тут стоит заметить одну забавную особенность: алгоритм путался при определении природы инфекции — мог принять бактериальную или грибковую пневмонию за коронавирусную.
Можно сказать, что ИИ немного «запутался в паутине» микробов.