Айтишники научат ИИ выявлять злокачественные опухоли на снимках КТ

В ИПМКН разрабатывают алгоритмы и программное обеспечение для выявления злокачественных опухолей легких по данным КТ с помощью нейросети. Новый подход станет дополнительным инструментом, который позволит врачам-клиницистам повысить точность и оперативность обследования, а пациенту – быстрее получить необходимое лечение.

Создание новых IT-инструментов для медицинской диагностики – одно из направлений, активно развиваемых Институтом прикладной математики и компьютерных наук ТГУ. К разработке новых подходов с использованием ИИ активно привлекают студентов. Четверокурсник ИПМКН Никита Литвиненко под руководством доцента ИПМКН Сергея Аксёнова в качестве выпускной работы создаёт алгоритмическое и программное обеспечение, способное автоматические выявлять злокачественные новообразования лёгких на снимках КТ.

– Актуальность данной проблемы обусловлена тем, что правильная интерпретация медицинских изображений требует достаточного опыта и времени, – говорит доцент кафедры теоретических основ информатики ИПМКН Сергей Аксенов. – Широкие возможности технологий ИИ и глубокого обучения позволяют автоматизировать процесс диагностики и вывести его на новый уровень.

В ходе исследований студент анализирует возможности разных уже существующих нейросетей и выбирает модель, которая будет оптимальной для решения поставленной задачи. Затем будет разработана программа для обучения на обширном материале, включающем в себя снимки, которые содержат норму и онкопатологию. В ходе глубинного обучения модель научат отличать злокачественные новообразования от патологий, ассоциированных с другими заболеваниями лёгких – пневмонии, туберкулеза и т.д.

– Искусственный интеллект будет не только запоминать характерные визуальные изменения в структуре легочной ткани, но и находить типичные зависимости (сочетания), подтверждающие, что на снимке злокачественная опухоль, – говорит автор проекта, студент ИПМКН Никита Литвиненко. – Опыт нейросети нарабатывается гораздо быстрее, чем опыт врача. Если человек за свою практику посмотрел 200 или 300 снимков, то нейросеть может за короткий период времени изучить несколько тысяч изображений.

Как отмечает разработчик, нейросеть не заменит врача, но может служить ему хорошим дополнительным инструментом, повышающим скорость и качество диагностики. Также возможности модели можно будет использовать для мониторинга динамики и оценки эффективности лечения.

Ещё одной областью применения обученной нейросети может стать подготовка будущих врачей-клиницистов. Студенты старших курсов смогут тренироваться в постановке диагнозов и сравнивать свои выводы с заключением, сделанным ИИ.

Добавим, что переход к передовым цифровым, интеллектуальным технологиям, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта является одним из приоритетов научно-технологического развития РФ. Подготовка специалистов в данных областях, осуществляемая ТГУ, способствует решению этой стратегической задачи.

Поступить в ИПМКН.