Ученые из Лондонской школы биомедицинской инженерии и визуализации разработали алгоритм ИИ, основанный на сверточных нейронных сетях, который позволил сразу выявлять клинически значимые морфологические изменения на сканах стандартной аксиальной Т2-взвешенной МРТ головного мозга. Результаты исследования были опубликованы в журнале Medical Image Analysis.
Необходимость создания такого алгоритма было продиктовано тем, что во всем мире резко увеличилось количество МР – исследований головного мозга и интерпретация результатов сканирования требовала большего времени, в том числе обусловленной нехваткой врачей-рентгенологов.
Задержки анализа изображений МРТ вызывают эффект домино, связанного с тем, что для установления точного диагноза и назначения адекватного лечения требуется больше времени, что иногда ухудшает прогностическую эффективность лечения.
Ведущий автор исследования Дэвид Вуд считает, что созданная модель значительно сокращает предоставление информации о наличии патологических изменений, отмечая отклонения от нормы в ходе МР – исследования, что позволяет рентгенологам акцентировать внимание на наличие морфологических изменений и, таким образом, помочь в подборе тактики лечения.
Было проведено тестирование модели с использованием ретроспективных данных больницы Королевского колледжа (KCH) и фонда NHS Foundation Trust, которое показало сокращение времени анализа данных МРТ в 2 раза.
Созданный алгоритм подкреплен недавней моделью, которая позволила решить проблему, блокирующую разработки в области глубокого обучения для визуализации: это сложность получения больших, клинически репрезентативных, качественных наборов данных.
В настоящее время существует доступ к большим больничным наборам данных, но эти данные обычно не имеют маркировки. В проведенном исследовании глубокое обучение было основано на сверточных нейронных сетях, которые позволили обозначить клинически важные изменения и, таким образом, масштабно маркировать наборы данных МРТ головы.
Проведенное исследование имеет большое клиническое значение, так как ученые использовали стандартные аксиальные Т2-взвешенные МРТ изображения, которые были подвергнуты незначительной обработке перед анализом сортировки.
Таким образом, алгоритм позволяет проводить анализ МРТ сканов непосредственно во время исследования головного мозга и в течение секунд выявлять различные патологии головного мозга, черепа, области глаз и носа.