Спасенные минуты
Как ИИ и большие данные помогают в ранней диагностике заболеваний детей
Искусственный интеллект и технологии обработки больших данных все чаще становятся мощным инструментом в медицине, способным выявлять заболевания у детей даже до проявления клинических симптомов. Так, решения на основе нейросетей уже позволяют анализировать результаты МРТ и другие медицинские данные значительно быстрее, чем это возможно вручную.
Фото: Sebastian Kahnert / picture alliance / Getty Images
Фото: Sebastian Kahnert / picture alliance / Getty Images
Как специалисты диагностируют заболевания центральной нервной системы у детей, какие есть сложности с проведением МРТ в раннем возрасте и что искусственный интеллект может изменить в этих процессах, «Ъ-Науке» рассказывают руководитель Центра технологий для общества Yandex Cloud Анна Лемякина и ассистент кафедры медицинской биофизики и физики Санкт-Петербургского государственного педиатрического медицинского университета Кирилл Дроботов.
Диагностика ДЦП и других заболеваний мозга у младенцев: сложность раннего выявления
Детский церебральный паралич (ДЦП) относится к тяжелым патологическим процессам. Если обратиться к МКБ 10 (международная классификация болезней) и к актуальным клиническим рекомендациям, то к этой группе заболеваний относят стабильные нарушения, обусловленные непрогрессирующим повреждением и/или аномалией развития головного мозга у плода или новорожденного ребенка. Как правило, подобный диагноз ставится на основании определенного комплекса клинических симптомов только к полутора-двум годам. При этом ключевые морфологические признаки патологии могут проявляться гораздо раньше. К таким изменениям могут относиться нарушение темпов миелинизации головного мозга, соотношение объемов серого и белого вещества (кора головного мозга, подкорковые структуры, белое вещество головного мозга).
С помощью МРТ головного мозга можно оценить динамику процесса миелинизации. Однако основная проблема в этой группе пациентов — отсутствие стандартов возрастной нормы объемных характеристик головного мозга. Это обуславливает сложности дифференциальной диагностики между нормой и патологией. Важно понимать, что в настоящее время дифференциальная диагностика некоторых патологических состояний ЦНС, включая пороки развития, затруднена.
МРТ головного мозга — это метод выбора в выявлении морфологических изменений. Традиционные методы оценки результатов МРТ требуют больших ресурсов: врач должен вручную обработать сотни изображений (например, выполнить измерение толщины коры головного мозга), а окончательное заключение по сложному случаю может готовиться до 72 часов. Дополнительная сложность заключается в необходимости использовать анестезиологическое пособие в процессе выполнения МРТ головного мозга детям до шести лет.
По данным специалистов Санкт-Петербургского государственного педиатрического медицинского университета, чрезмерное количество изображений, требующих внимательного изучения и выполнения измерений (выполнение сегментации), может повлиять на качество оценки результатов исследования. Наличие инструмента объективизации оценки объемов вещества головного мозга, не зависящее от «человеческого фактора», рассматривается специалистами университета как путь к созданию стандартов возрастной нормы объемных характеристик головного мозга у детей до года. Использование данных о возрастной норме в дальнейшем может помочь в решении сложных диагностических задач.
Нейросети и ранняя диагностика заболеваний центральной нервной системы: пример Санкт-Петербургского педиатрического медицинского университета
Санкт-Петербургский государственный педиатрический медицинский университет совместно с Центром технологий для общества Yandex Cloud и студентами ШАД запустили проект по автоматической сегментации белого и серого вещества головного мозга у детей до года. Сервис позволяет врачу загрузить в систему МРТ-исследование и получить расчет объемов тканей мозга. Это особенно важно, так как существующие программы (например, FreeSurfer) корректно работают только с детьми старше года, когда процессы миелинизации частично или полностью завершены. В случае младенцев традиционный подсчет объема мозга — крайне трудоемкая работа, на которую у врача может уходить значительное количество времени. С помощью облачной платформы и нейросетей (ResNet и U-Net) этот процесс сокращается до нескольких минут, с достаточно высокой точностью сегментации.
Таким образом, разработанный сервис позволяет сократить время анализа результатов исследования, сосредоточиться на ключевых участках мозга и направляет процесс анализа в правильное русло, что позволяет назначить реабилитацию и/или медикаментозную поддержку значительно раньше.
Как обучают нейросети для работы со сложным диагнозом
Обучение нейросетей в педиатрической диагностике сталкивается со многими препятствиями. Так, МРТ головного мозга у младенцев проводится редко и всегда по строгим показаниям, поэтому количество доступных изображений ограничено: за шесть лет в педиатрическом университете накопилось около полутора тысяч исследований, хотя ежегодно в организации обследуются более 5300 пациентов. Дополнительная сложность есть и в разметке данных: врачу может потребоваться до восьми часов, чтобы выделить белое и серое вещество даже на нескольких срезах. Различия между ними могут быть неочевидны, поэтому такая работа требует очень кропотливого и ювелирного труда. Особенно сложно справиться с этой задачей молодым специалистам, которым может не хватать опыта для объективной оценки развития мозга маленького пациента.
Чтобы преодолеть дефицит разметки, специалисты использовали предразметку с помощью открытой модели BIBSNet и затем корректировали ее вручную. В результате врачи не только разметили десятки исследований с нуля, но и доработали предварительные маски, что позволило обучить нейросеть и добиться высокой точности сегментации.
Для реализации решения использовали Yandex Compute Cloud, Yandex DataSphere и Yandex Object Storage. Специалисты Yandex Cloud помогли настроить хранилище и доступ к данным, систематизировать автоматическую разметку, выбрать подходящие инструменты, а также предоставили вычислительные мощности для обучения и работы нейросети.
Итоговое решение работает в два этапа. На первом этапе врач загружает в сервис результаты МРТ, перед передачей данных на сервер метаданные анонимизируются: ФИО пациента удаляются. На втором — система за несколько минут обрабатывает изображение, четко показывая контуры и процентное соотношение серого и белого вещества в мозге ребенка.
От академической задачи к клинической практике: какие прогнозы по использованию ИИ для ранних диагнозов
Инициаторы проекта подчеркивают, что речь идет не только о прикладной медицинской задаче, но и о научной ценности. До сих пор объемы серого и белого вещества у младенцев практически не измерялись системно. Теперь появляется возможность накопить статистику, выявить нормы и отклонения развития мозга в разные периоды и соотнести их с клинической картиной. Это открывает перспективы как для фундаментальных исследований, так и для практической медицины. Например, можно выделять группы риска среди недоношенных детей и отслеживать их развитие в динамике. Таким образом, ИИ становится инструментом не только для диагностики, но и формирования новых стандартов ведения пациентов.
Как еще технологии используются для диагностики заболеваний детей
Опыт применения искусственного интеллекта для постановки ранних диагнозов есть и в других странах мира. Так, исследователи из MCRI (Murdoch Children’s Research Institute) разработали ИИ, который анализирует видеоролики с движениями детей в возрасте 12–18 недель, снятые через смартфон (приложение Baby Moves). Алгоритм срабатывал на уровне опытных клиницистов: выявлял 76% случаев аномального моторного поведения, указывающего на риск ДЦП. Отмечается, что подобное решение особенно важно для семей, находящихся в удаленных регионах без доступа к специалистам. В дополнение к риску развития церебрального паралича исследование показало, что младенцы с аномальными движениями также чаще испытывали когнитивные задержки и двигательные трудности в возрасте двух лет, независимо от того, родились ли они недоношенными или доношенными в срок.
Другой пример — работа исследователей из Karolinska Institutet в Швеции. Ученые разработали модель машинного обучения, анализирующую данные из 15 330 детей с диагностированным расстройством аутистического спектра (РАС) и равного количества здоровых, на основе 28 показателей (например, возраст первого улыбания, пищевые привычки и другие). Модель достигла примерно 80% точности у детей до двух лет, что открывает путь к более раннему выявлению рисков аутизма.
Искусственный интеллект постепенно становится важным помощником для врачей. Решениям доверяют более трудоемкие задачи в здравоохранении. При этом ИИ не заменяет специалиста: постановка диагноза и выбор терапии остаются исключительно за врачом, а алгоритмы лишь ускоряют обработку данных и помогают направить внимание на ключевые детали, особенно для молодых специалистов. Накопление данных, рост вычислительных мощностей и совершенствование алгоритмов открывают путь к созданию новых технологий не только для ранней диагностики, но и для предотвращения заболеваний у детей. В перспективе такие сервисы могут изменить сам подход к педиатрической практике и способствовать организации системного мониторинга и более точного прогнозирования развития ребенка. Постепенно технологии ИИ в медицине могут стать не просто инновацией, а основой для формирования долгосрочных стандартов работы с детским здоровьем.