Будущее диагностики: передовые методы ИИ по выявлению переломов позвоночника
Травмы позвоночника являются одними из самых тяжелых, которые может получить человек. Среди наиболее распространенных видов переломов позвоночника – перелом в шейном отделе, который может привести к параличу и другим серьезным осложнениям, если его не выявить и не начать своевременное лечение. К сожалению, обнаружить этот тип перелома часто бывает сложно, особенно среди пожилых пациентов, у которых дегенеративные заболевания или остеопороз могут маскировать травму.
К счастью, достижения в области машинного обучения позволяют выявлять переломы позвоночника с большей точностью и эффективностью, чем когда-либо прежде. Используя модель машинного обучения, можно научить систему распознавать закономерности и характеристики, которые трудно увидеть невооруженным глазом. Это позволит точно определять наличие и расположение переломов шейного отдела позвоночника даже в тех случаях, когда это может быть затруднительно из-за возрастных дегенеративных изменений у пациентов.
Машинное обучение – это методы искусственного интеллекта (ИИ), которые позволяют системам обучаться и совершенствоваться на основе опыта без явного программирования. Анализируя большие объемы данных, модель машинного обучения может научиться распознавать закономерности и делать прогнозы на основе этой информации.
В этой статье мы рассмотрим, как команда Qudata применила машинное обучение для разработки высокоточной модели обнаружения переломов шейного отдела позвоночника, используя снимки компьютерной томографии (КТ).
Задача обнаружения переломов шейного отдела позвоночника была представлена на открытом конкурсе Kaggle. Конкурс предоставил исследователям и специалистам в области здравоохранения общую платформу для объединения усилий и создания инновационных решений по обнаружению переломов позвоночника. Он также помог подчеркнуть важность раннего обнаружения и лечения переломов позвоночника, а также раскрыть потенциал ИИ и машинного обучения в области медицинской визуализации.
Для предотвращения неврологического расстройства и паралича после травмы, очень важно быстро обнаружить и определить место переломов позвонков. Если раньше использовались методы с применением рентгеновского излучения (рентген), то в настоящее время визуальная диагностика переломов позвоночника у взрослых почти всегда выполняется с помощью КТ. Одной из главных причин использования КТ вместо рентгена при травмах позвоночника является скорость определения места перелома, что позволяет минимизировать или даже предотвратить посттравматические неврологические осложнения или паралич.
Чтобы решить проблему обнаружения переломов шейного отдела позвоночника, рабочая группа по планированию задачи создала исходный набор экспериментальных данных. Эти данные включали изображения, полученные из двенадцати центров на шести континентах, в том числе около 3 000 КТ снимков. Специалисты-радиологи из Американского общества нейрорадиологии (ASNR) и Американского общества радиологии позвоночника (ASSR) предоставили экспертные аннотации к изображениям для этих исследований, чтобы указать на уровень позвонков и место любых переломов шейного отдела позвоночника.
В качестве отправной точки нашей командой было обработано базу данных 2 000 пациентов с примерно 200 сканами КТ на каждого. Благодаря первоначальной экспертной поддержке, оказанной специалистами по радиологии позвоночника, команда QuData определила 1 000 человек с переломами. Несмотря на большое количество доступных снимков КТ для каждого пациента с переломами, только на нескольких изображениях были видны переломы, да и те, как правило, были едва заметны.
Чтобы избежать переобучения модели, мы разделили шейный отдел позвоночника на отдельные позвонки и обрабатывали данные как индивидуально для каждого из них, так и для полного состава. Для этого наша команда применила двухмерную семантическую сегментацию с использованием масок позвонков для 87 пациентов. Несмотря на такое ограничение, команда QuData добилась метрики IoU* около 0,98 всего лишь после нескольких дней обучения на Tesla T4**, что свидетельствует о высокой точности разработанной модели, соответствующей предоставленному набору экспериментальных данных "the ground truth dataset".
В целом, выявление переломов позвоночника остается серьезной проблемой для медицинских работников. Тем не менее, с созданием наборов исходных данных и развитием моделей искусственного интеллекта и машинного обучения появилась надежда на повышение точности и эффективности обнаружения переломов позвоночника. Поскольку сфера медицинской визуализации продолжает развиваться, интересно посмотреть, как эти технологии будут формировать будущее сферы здравоохранения и способствовать улучшению результатов лечения пациентов.
Узнайте больше о технологических процессах и технических деталях разработанной QuData модели в нашем кейсе Выявление переломов в шейном отделе позвоночника.
*Метрика IoU (Intersection over Union, пересечение объединение) используется в задаче сегментации изображения и оценивает качество сегментации. IoU показывает, насколько хорошо описанная граница объекта соответствует реальной границе.
Вычисление метрики IoU производится путем вычисления отношения площади пересечения между реальной границей и границей, полученной алгоритмом сегментации, к площади их объединения.
IoU = (Area of Overlap) / (Area of Union - Area of Overlap)
Значение метрики IoU может быть от 0 до 1, где 1 означает совпадение реальной границы объекта с границей объекта, выделенным алгоритмом сегментации. Чем ближе значение IoU к 1, тем выше качество выполненной задачи сегментации.
** Tesla T4 – графический ускоритель, разработанный компанией Nvidia для обработки данных, машинного обучения и работы с искусственным интеллектом. Используется для решения больших вычислительных задач.
Tesla T4 одна из самых быстрых и эффективных видеокарт для работы с большими объемами данных и в области машинного обучения.
Ирина Ткаченко, маркетолог