Исследователи Университета Иннополис, Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» и Джадавпурского университета разработали новый метод анализа гистопатологических изображений — цифровых снимков тканей, полученных с микроскопа. Предложенная модель выявляет рак молочной железы с минимальными вычислительными затратами.
При создании системы компьютерной диагностики для обнаружения рака молочной железы учёные предложили объединить две эффективные легковесные нейросети: SqueezeNet и ShuffleNet. Это позволило достичь высокой точности диагностики без использования тяжеловесных и энергозатратных моделей, характерных для современных систем искусственного интеллекта.
Дмитрий Каплун, ведущий программист-математик Исследовательского центра в сфере ИИ Университета Иннополис: «Традиционные системы компьютерной диагностики, основанные на трансформерах и глубоких ансамблях, хотя и точны, требуют огромных вычислительных мощностей — применять такие в клиниках с ограниченными ресурсами сложно. Наша разработка решает эту проблему: она использует две компактные свёрточные нейросети, которые работают в связке. Предложенный механизм взаимного гейтинга позволяет сетям обмениваться информацией, усиливая важные диагностические признаки и отсеивая шум, что обеспечивает высокую точность даже на сложных гистологических снимках. Это делает его идеальным, например, в региональных больницах или при работе на мобильных устройствах.
В ходе экспериментов на двух международных наборах гистопатологических изображений рака груди модель учёных показала 97% точность при нахождении нормальной и доброкачественной тканей, а также нулевой и агрессивной стадий рака. На том же наборе данных эксперименты выявили 99% точность определения наличия рака. А на эталонном наборе снимков при 100-кратном увеличении, то есть на самом популярном исследовательском тесте для гистопатологии, точность нового алгоритма достигла 99,72%.
Пример изучения нейросетью гистопатологических снимков рака груди: модель учёных даёт более сфокусированные данные, то есть ИИ «смотрит» именно на патологические участки, а не на пустые или здоровые зоны.
Статистический анализ подтвердил, что улучшение показателей не случайно и алгоритм на гистопатологических изображениях фокусируется именно на тех участках тканей, которые важны для постановки диагноза.
По мнению авторов, предложенная структура может стать основой для надёжных и точных ИИ-решений, которые помогут врачам быстрее и качественнее проводить диагностику рака молочной железы, особенно в тех регионах, где нет доступа к дорогостоящим вычислительным мощностями.
Результаты исследования опубликованы в научном журнале Scientific Reports. Статью «Взаимная кооперативная гейтинговая Fusion-структура SqueezeNet и ShuffleNetV2 для обнаружения рака молочной железы на гистопатологических изображениях» подготовил коллектив учёных: Александр Синица и Дмитрий Каплун (Университет Иннополис и ЛЭТИ), а также Бритика Кхати, Саян Мукерджи и Рам Саркар (Джадавпурский университет, Индия).
Источник — Газета.ru
