Исследователи по всему миру объединили усилия для поиска быстрых и эффективных методов диагностики COVID-19. Среди наиболее многообещающих вариантов – разнообразные алгоритмы искусственного интеллекта, которые используют комбинации нейронных сетей для выявления спровоцированных коронавирусом повреждений лёгких на снимках, полученных путём рентгенологического или томографического исследования пациента.
ПЦР-тесты являются точнейшим диагностическим методом в вопросе выявления инфицирующих агентов в организме человека, в том числе и для обнаружения генетической информации вируса SARS-CoV-2. К сожалению, в большинстве стран, пострадавших от распространения COVID-19, ощущается острый дефицит таких тестов. Рентгенологическое исследование, а также КТ-сканирование людей, предположительно заражённых коронавирусом, является альтернативным способов выявления заболевания, а точнее наиболее опасного его осложнения – пневмонии. Для ускорения анализа результатов подобных исследований исследователи по всему миру принялись разрабатывать алгоритмы, работающие на основе машинного обучения. Главной задачей такого алгоритма является эффективное изучение большого объёма данных и выявления аномалий в лёгких пациентов. Применение таких алгоритмов значительно облегчит работу радиологов и прочих специалистов, оказавшихся в западне из-за наплыва пациентов. К тому же, подобные системы способны обрабатывать снимки за считанные секунды, что значительно ускорит диагностику COVID-19.
Работа над проектами по применению искусственного интеллекта для борьбы с коронавирусом кипит сразу в нескольких исследовательских центрах в КНР, Великобритании, США и т. д. Подобные технологии ещё очень сырые, однако их использование в Китае уже показало неплохие результаты. Профессор Вей Сюй из Института интердисциплинарных информационных технологий при Университете Цинхуа в Пекине и команда из более чем 30 учёных разработала систему машинного обучения, которая диагностирует осложнённую коронавирусом пневмонию по снимкам КТ. Проверка эффективности системы проходила на базе 16 госпиталей на территории КНР, в том числе и в Ухане. При помощи искусственного интеллекта медикам удалось повысить количество КТ-исследований до 1300 в день. По словам Вей Сюя, он и его коллеги видят в подобных системах огромный потенциал, однако на пути их реализации имеется немало проблем.
В теории работа искусственного интеллекта заключается в поиске аномальных изменений лёгких пациента, которые могли бы быть спровоцированы коронавирусом SARS-CoV-2. На этапе разработки подобных систем первая проблема заключалась в том, чтобы научить компьютер отличать аномалии, типичные именно для COVID-19. Атипичную пневмонию может вызывать целый ряд инфекционных агентов. Все они по-своему воздействую на лёгочную ткань, однако вызываемые ими изменения на рентгенограмме имеют схожую картину. Проанализировав снимки подтверждённых больных, исследователи отметили, что у большинства из них присутствует симптом «матового стекла». Этот радиологический симптом визуализируется как некая туманность или снижение прозрачности лёгочной ткани, вызванные снижение воздушности альвеол из-за скопления жидкости. Подобные аномалии были обнаружены даже на КТ-снимках пациентов, заражённых коронавирусом, но не испытывающих каких-либо симптомов.
По мнению экспертов, идея использования искусственного интеллекта действительно достойна внимания. Увы, на практике всё оказывается гораздо менее радужно, и причиной тому – существенный дефицит данных для обучения алгоритмов. Нейронные сети вроде использованных коллегами Вей Сюя «ResNet-50» и «UNet++», а также десятков других подобных программ являются свёрточными. Они нацелены на эффективное распознавание образов путём графического кодирования каких-либо признаков. Нейросеть отыскивает повторяющиеся признаки и формирует математическую функцию, по которой затем определяет, присутствует ли аномалия в конкретном пикселе изображения. Дело в том, что для обучения подобных систем необходимы не просто обширные коллекции рентгенограмм и КТ-снимков грудной клетки как здоровых, так и больных людей, но и их описание. Чтобы нейросеть научилась сопоставлять видимые данные с диагнозом, ей необходимо «скармливать» подробную расшифровку каждого снимка, предоставленную опытным радиологом.
Сюй и его команда создали целый «конвейер», чтобы быстро и эффективно обучить искусственный интеллект. Система обработала 1136 снимков пациентов из китайских больниц: 723 из них были заражены коронавирусом. Остальные снимки принадлежали здоровым людям, а также больным типичной пневмонией или носителями других лёгочных инфекций. Таким образом учёные научили программу отличать распространённый среди больных COVID-19 симптом «матового стекла» от аномалий, типичных для других заболеваний. Над подробным описанием каждого снимка работали группы из опытных рентгенологов и помощников, которые выполняли «черновую работу», внося наблюдения рентгенологов в базу данных. Одним из самых сложных элементов такой работы является сотрудничество медиков и специалистов по ИИ. В идеале, разработка и обучение систем должна была лечь на плечи людей, одинаково хорошо разбирающихся как в медицине, так и в нейронных сетях. Однако такие специалисты – слишком редкое явление, потому экспертам из обеих сфер приходится работать сообща. К сожалению, вынужденные коллеги не всегда понимают деталей работы друг друга, что существенно замедляет процесс.
Параллельно этому другие учёные работают над созданием независимых алгоритмов, для обучения которых не нужно детальное описание снимков. Исследователи из Лаборатории молекулярной визуализации при Академии наук КНР использовали свёрточную нейросеть DenseNet, чтобы создать автоматизированную систему. Сперва они ввели в сеть 4016 снимков грудной клетки больных раком лёгких, чтобы алгоритм научился обнаруживать разного рода аномалии тканей. Затем они «скормили» системе базу данных из 1266 снимков пациентов, заражённых коронавирусом, чтобы сузить область поисков изменений, типичных для COVID-19. Такая форма обучения нейросети основывается на накоплении опыта путём обработки большого объёма данных на первом этапе и сужения информации до целевого набора на втором. Несмотря на неплохие результаты, этот проект ещё не вышел за пределы лаборатории. По словам директора Лаборатории молекулярной визуализации доктора Цзе Тиана, для оптимизации такой системы учёным нужно гораздо больше данных, отображающих различные варианты течения заболевания среди заражённых коронавирусом людей во всех странах мира.
Для успешного практического применения искусственного интеллекта в борьбе с коронавирусом необходимо объединить усилия специалистов, чтобы создать базу данных рентгенограмм и КТ-снимков глобального масштаба. Таким образом нейросети смогут идентифицировать аномалии лёгочных тканей и диагностировать пациентов в зависимости от локальных особенностей течения заболевания. Помимо технических сложностей реализации глобальной базы данных, в большинстве стран имеются строгие регуляции, ограничивающие распространение персональных данных пациентов, в том числе и их снимков. В связи с этим разработчики подобных алгоритмов вынуждены трать время на создание методов сохранения конфиденциальности частной жизни, которые использую различные техники криптографии.
Чтобы решить проблему дефицита данных, некоторые компании находят обходные пути. К примеру, канадский стартап DarwinAI разработал свёрточную нейросеть COVID-Net и опубликовал её в открытом доступе, чтобы ею могли воспользоваться люди, имеющие доступ к снимкам пациентов. Предварительно канадцы обучили программу на базе 5941 рентгенограммы от 2839 пациентов, которые дали согласие на использование снимков. Основатель и главный научный сотрудник DarwinAI Александр Вонг рассказал, что COVID-Net находится на ранних стадиях развития, потому пока что он не может гарантировать максимальной точности работы алгоритма. Пока что эффективность нейросети удалось проверить на 500 пациентах, и лишь в 80% искусственный интеллект сумел определить заражённых коронавирусом людей. Вонг считает, что оптимизировать точность COVID-Net получится по мере обработки большего количества данных. Кроме того, в клиническом применении алгоритма поможет инструмент GSInquire. Он будет визуально выделять фрагменты снимков, на базе которых нейросеть сделала тот или иной вывод о диагнозе пациента.
Вонг уверен, что, если исследователи объединят свои усилия как в предоставлении данных, так и в разработке алгоритмов, то искусственный интеллект имеет все шансы стать действенным инструментом в борьбе с коронавирусом.