Научные сотрудники Исследовательского центра в сфере искусственного интеллекта Университета Иннополис и НТЦ биомедицинской фотоники ОГУ имени И.С. Тургенева разрабатывают неинвазивный метод определения лейкоцитов в крови с точностью 90 %. Учёные во время капилляроскопии применили ИИ-модель, обученную на синтетических видео с использованием компьютерного зрения. Этот способ исследования крови россияне представили на престижной ИИ-конференции ICLR в Вене.
Анализ крови — важный этап оценки здоровья пациента, который состоит из подсчёта количества различных кровяных клеток, основные из них — красные эритроциты и белые лейкоциты. Например, снижение содержания эритроцитов в крови наблюдается при анемии, а повышение количества лейкоцитов может говорить об инфекционных заболеваниях и воспалениях.
Группа учёных из Университета Иннополис и ОГУ имени И.С. Тургенева вместо реальных медицинских видео с микроциркуляцией крови провела эксперименты на синтетических видео — сгенерированных видеоизображений броуновского движения частиц, имитирующих красные и белые кровяные клетки. Затем исследователи обработали эти видеоизображения с помощью искусственных нейронных сетей (моделей) для классификации образцов по высоким и низким концентрациям клеток.
Данил Афончиков, студент ОГУ имени И.С. Тургенева: «Известны медицинские технологии, которые позволяют наблюдать движущиеся кровяные клетки в капиллярах с помощью специального микроскопа, снабжённого цифровой камерой, — капилляроскопия. У нашей команды появилась идея с помощью нейросетей по медицинским видеозаписям посчитать эти клетки и сопоставить полученные данные с результатами традиционного клинического анализа крови через шприц. Возможно, это поможет разработать новый способ анализа крови без взятия пробы. Преимуществом этого метода станет его оперативность — можно будет узнать состав крови в реальном времени, не тратя время на ожидание результатов исследования в лаборатории. Идея очевидная, но пока сложно реализуемая. На данном этапе тяжело добиться высокого качества видеоизображений микроциркуляции крови — при оптическом увеличении кадра снижается его качество и количество одновременно наблюдаемых клеток».
Чтобы максимально приблизить синтетические видео к реальным качество изображений снизили — это затруднило детектирование отдельных клеток из-за размытия их границ. Авторы научной работы предложили и реализовали метод по обработке «зашумлённых» видеоданных. Сперва учёные обучили модели ИИ «по расписанию». При этом способе обучающие данные ранжируются по качеству и обучение моделей происходит как обучение человека: поэтапно, от простого к сложному, от более качественных данных к менее качественным. Затем исследователи и на стадии обучения моделей, и на стадии тестирования провели аугментацию — взяли случайно выбранные фрагменты изображения, которые позволили модели выдать несколько промежуточных предсказаний для каждого образца и выбрать результат, например, самый часто встречаемый среди промежуточных.
Алексей Корнаев, научный сотрудник Исследовательского центра в сфере искусственного интеллекта Университета Иннополис: «В результате исследований мы научились определять более крупные белые кровяные клетки — лейкоциты — с точностью выше 90 %. Предложенный метод c обучением по случайно выбранным фрагментам изображения повысил точность подсчёта кровяных клеток примерно на 10 %. Эксперименты также показали, что обучение моделей по видео происходит быстрее, а предсказания точнее в сравнении с обучением на статичных изображениях. Конечно, наш метод даёт информацию только о высоком или низком содержании эритроцитов и лейкоцитов в крови, однако и в такой формулировке он представляет практический интерес для медицины. Дальнейшие исследования планируем связать со сбором и обработкой реальных видеоизображений капилляроскопии».
Подробное описание эксперимента опубликовано в сборнике научной конференции International Conference on Learning Representations (ICLR).
В 2021 году базе Университет Иннополис создан Исследовательский центр в сфере искусственного интеллекта в рамках федерального проекта «Искусственный интеллект». Центр развивает проекты в области ИИ по пяти направлениям: поиск новых материалов, транспорт, логистика, компьютерное зрение и медицина.
