Майбутнє діагностики: новітні методи ШІ з виявлення переломів хребта
Травми хребта є одними із найважчих, які може отримати людина. Серед найпоширеніших видів переломів хребта – перелом у шийному відділі, який може призвести до паралічу та інших серйозних ускладнень, якщо його не виявити та не розпочати своєчасне лікування. На жаль, встановити цей тип перелому часто буває складно, особливо серед пацієнтів похилого віку, у яких дегенеративні захворювання або остеопороз можуть маскувати травму.
На щастя, досягнення в галузі машинного навчання дозволяють виявляти переломи хребта з більшою точністю та ефективністю, ніж будь-коли раніше. Використовуючи модель машинного навчання, можна навчити систему розпізнавати закономірності та характеристики, які важко побачити неозброєним оком. Це дозволить точно визначити наявність та розташування переломів шийного відділу хребта навіть у випадках, ускладнених віковими дегенеративними змінами у пацієнтів.
Машинне навчання – це методи штучного інтелекту (ШІ), які дозволяють системам навчатися та вдосконалюватися на основі досвіду без явного програмування. Аналізуючи великі обсяги даних, модель машинного навчання може навчитися розпізнавати закономірності та робити прогнози на основі цієї інформації.
У цій статті ми розглянемо, як команда Qudata застосувала машинне навчання для розробки високоточної моделі виявлення переломів шийного відділу хребта, використовуючи знімки комп'ютерній томографії (КТ).
Завдання виявити переломи шийного відділу хребта було представлено на відкритому конкурсі Kaggle. Конкурс організував для дослідників та спеціалістів у галузі охорони здоров'я платформу для спільної роботи щодо створення інноваційних рішень для визначення переломів хребта. Він також допоміг наголосити на важливості раннього виявлення та лікування переломів хребта, а також розкрити потенціал ШІ та машинного навчання у сфері медичної візуалізації.
Для запобігання неврологічного розладу та паралічу після травми дуже важливо швидко виявити та визначити місце переломів хребців. Якщо раніше використовувалися методи із застосуванням рентгенівського випромінювання (рентген), то нині візуальна діагностика переломів хребта в дорослих майже завжди виконується за допомогою КТ. Однією з головних причин використання КТ замість рентгену при травмах хребта є швидкість визначення місця перелому, що дозволяє мінімізувати або навіть запобігти посттравматичним неврологічним ускладненням або паралічу.
З метою вирішити проблему виявлення переломів шийного відділу хребта робоча група з планування завдання створила вихідний набір експериментальних даних. Ці дані включали зображення, отримані з дванадцяти центрів на шести континентах, зокрема близько 3 000 КТ знімків. Фахівці-радіологи з Американського товариства нейрорадіології (ASNR) та Американського товариства радіології хребта (ASSR) надали експертні анотації до зображень для цих досліджень, щоб вказати на рівень хребців та розташування будь-яких переломів шийного відділу хребта.
Відправною точкою роботи було опрацювання база даних 2 000 пацієнтів з приблизно 200 сканами КТ на кожного. Завдяки початковій експертній підтримці, наданій фахівцями з радіології хребта, команда QuData визначила 1 000 осіб із переломами. Незважаючи на велику кількість доступних знімків КТ для кожного пацієнта з переломами, лише на кількох зображеннях було видно переломи, та й ті, як правило, ледь помітні.
Щоб уникнути перенавчання моделі, ми розділили шийний відділ хребта на окремі хребці, і опрацьовували дані як індивідуально для кожного з них, так і для повного складу. Для цього наша команда застосувала двомірну семантичну сегментацію з використанням масок хребців для 87 пацієнтів. Незважаючи на це обмеження, команда QuData досягла метрики IoU* близько 0,98 лише після кількох днів навчання на Tesla T4**, що свідчить про високу точність розробленої моделі, що відповідає початковому набору експериментальних даних "the ground truth dataset".
Загалом виявлення переломів хребта залишається серйозною проблемою для медичних працівників. Тим не менш, зі створенням наборів вихідних даних та розвитком моделей ШІ та машинного навчання з'явилася надія на підвищення точності та ефективності виявлення переломів хребта. Оскільки сфера медичної візуалізації продовжує розвиватися, цікаво подивитися, як ці технології формуватимуть майбутнє сфери охорони здоров'я та сприятимуть покращенню результатів лікування пацієнтів.
Дізнайтеся більше про технологічний процес та технічні деталі розробленої QuData моделі у нашому кейсі Виявлення переломів у шийному відділі хребта.
*Метрика IoU (Intersection over Union, перетин об'єднання) використовується для задач сегментації зображення та оцінює якість сегментації. IoU вказує, наскільки добре описана межа об'єкта відповідає реальній межі.
Обчислення метрики IoU здійснюється шляхом обчислення відношення площі перетину між реальною межею і межею, отриманою алгоритмом сегментації, до площі їх об'єднання.
IoU = (Area of Overlap) / (Area of Union - Area of Overlap)
Значення метрики IoU може бути від 0 до 1, де 1 означає збіг реальної межі об'єкта з межею об'єкта, виділеним алгоритмом сегментації. Чим ближче значення IoU до 1, тим вища якість виконаної задачі сегментації.
** Tesla T4 - графічний прискорювач, розроблений компанією Nvidia для обробки даних, машинного навчання та роботи зі штучним інтелектом. Використовується для вирішення великих обчислювальних завдань.
Tesla T4 одна з найшвидших і найефективніших відеокарт для роботи з великими обсягами даних і в галузі машинного навчання.
Ірина Ткаченко, маркетолог