ИИ учится видеть общую картину мозга
Большинство систем искусственного интеллекта для анализа медицинских изображений создаются под одну конкретную задачу. Одна модель ищет признаки болезни Альцгеймера, другая оценивает возраст мозга, третья работает с отдельными когнитивными показателями.
Для каждой такой системы приходится отдельно собирать размеченные данные и заново обучать нейросеть. В медицине это особенно сложно: качественных МРТ может быть много, но получить для них подтверждённые диагнозы, результаты анализов и другие необходимые сведения значительно труднее.
Исследователи предложили другой подход. Представленная ими система GenFAR учится формировать общее цифровое представление структуры мозга, которое затем можно использовать для решения новых задач.
Универсальная модель
GenFAR нельзя назвать программой, которая ставит конкретный диагноз по снимку. Её основная задача — преобразовать трёхмерное МРТ мозга в набор информативных числовых признаков.
Условно это можно представить как подробное цифровое описание изображения. В нём сохраняются особенности строения мозга, которые могут быть связаны с возрастом, когнитивным состоянием, заболеваниями и некоторыми факторами риска.
На основе такого представления исследователи могут обучать сравнительно небольшие специализированные модели. Им уже не нужно начинать анализ каждого нового набора МРТ с нуля.
Для обучения GenFAR использовали данные 49 246 человек из 11 исследовательских групп. Снимки были получены на оборудовании разных производителей, с различной напряжённостью магнитного поля и по разным протоколам. Ещё 1 056 МРТ из отдельного исследования MESA оставили для внешней проверки модели.
ИИ обучался на 17 задачах, среди которых были:
- определение возраста;
- выявление признаков болезни Альцгеймера и умеренных когнитивных нарушений;
- оценка результатов тестов памяти и мышления;
- определение артериальной гипертензии, диабета и повышенного уровня липидов;
- анализ индекса массы тела;
- работа с некоторыми биомаркерами спинномозговой жидкости;
- прогнозирование отдельных демографических и клинических характеристик.
Важно понимать, что модель ищет статистические связи между строением мозга и этими показателями. Это не означает, что по одной МРТ уже можно надёжно диагностировать диабет, депрессию или курение.
Последовательное обучение
Исследователи испытали два способа обучения.
В первом варианте модель изучала каждую задачу независимо. Например, один модуль учился определять возраст, другой — находить признаки когнитивных нарушений, третий — оценивать вероятность гипертонии. В конце признаки, полученные разными модулями, объединялись.
Во втором варианте обучение происходило последовательно. Каждая новая задача получала не только исходное МРТ, но и признаки, которые модель уже извлекла при решении предыдущих задач.
Получалась своеобразная образовательная цепочка: знания о возрасте мозга помогали при изучении болезни Альцгеймера, а знания о когнитивном состоянии и сосудистых факторах дополняли формируемое представление.
Авторы проверили 5 000 различных последовательностей обучения длиной от одной до 16 задач. Лучший результат показали цепочки из шести задач. Более длинные последовательности начинали переобучаться: хорошо работали на данных проверки, но хуже справлялись с ранее не встречавшимися примерами.
Это один из интересных выводов исследования: добавление новых знаний полезно не бесконечно. Если объединить слишком много неодинаковых сигналов, накопленные ошибки и шум могут начать мешать модели.
Авторы разработали показатель Donor Score — «оценку донора». Он показывает, насколько обучение одной задаче помогает последующим задачам.
Пятью наиболее полезными источниками знаний оказались:
- возраст человека;
- болезнь Альцгеймера и умеренные когнитивные нарушения;
- результат краткого теста когнитивных способностей MMSE;
- артериальная гипертензия;
- повышенный уровень липидов в крови.
Особенно важным оказался возраст. Возрастные изменения затрагивают множество областей мозга: меняется толщина коры, увеличиваются желудочки, может уменьшаться объём гиппокампа. Поэтому признаки, изученные при определении возраста, помогали практически всем остальным задачам.
Однако не все знания приносили пользу. Задачи, связанные с курением и уровнем тау-белка в спинномозговой жидкости, иногда ухудшали последующие результаты. Авторы предполагают, что в первом случае структурная МРТ содержит слишком слабый сигнал, а во втором было недостаточно обучающих примеров.
Основные результаты
При проверке переноса знаний исследователи поочерёдно исключали одну из 17 задач из основного обучения. После этого на признаках GenFAR обучалась новая модель для исключённой задачи.
Последовательный вариант GenFAR превзошёл обучение непосредственно на исходных МРТ во всех семи задачах классификации и в шести из десяти задач с числовым результатом. В целом в 16 из 17 испытаний полученные признаки показали сопоставимый или более высокий результат, чем отдельные модели, обученные с нуля.
Например:
- при определении гипертонии показатель AUC вырос с 0,640 до 0,793;
- при определении диабета — с 0,635 до 0,747;
- корреляция при оценке результата теста MMSE выросла с 0,611 до 0,694.
AUC показывает, насколько хорошо система разделяет две группы. Значение 0,5 примерно соответствует случайному угадыванию, а 1,0 — идеальному разделению. Однако даже высокий AUC ещё не означает, что модель готова к самостоятельному применению в больнице.
Самый перспективный результат связан не с абсолютной точностью, а с количеством необходимых примеров.
Исследователи последовательно уменьшали наборы данных с 4 000 до 100 человек. Чем меньше становилась выборка, тем заметнее проявлялось преимущество GenFAR. Особенно хорошо предварительно изученные признаки работали при наличии менее тысячи примеров.
Для медицинских исследований это принципиально важно. Собрать десятки тысяч качественно размеченных МРТ для редкого заболевания практически невозможно. Но если универсальная модель уже знает основные закономерности строения мозга, для новой задачи может потребоваться гораздо меньше данных.
Даже в четырёх случаях, где обычное обучение сначала показывало лучший результат, GenFAR выходил вперёд после сокращения выборки до 200–2 000 примеров — в зависимости от конкретной задачи.
Проверка данных
Модель также испытали на 1 056 снимках из исследования MESA, которые не использовались при основном обучении.
При оценке возраста корреляция между прогнозом и реальным значением выросла с 0,531 у модели, обученной с нуля, до 0,701 у последовательной GenFAR. Для индекса массы тела показатель вырос с 0,318 до 0,598.
При определении гипертонии AUC увеличился с 0,632 до 0,738. Результат для курения также улучшился, но остался довольно скромным: 0,584 против 0,529. Это ещё раз показывает, что некоторые характеристики трудно надёжно определить по структуре мозга.
Внешняя проверка усиливает результаты работы, поскольку модель столкнулась с другой группой людей и особенностями получения изображений. Но она охватывала только четыре задачи и пока не заменяет полноценную проверку в нескольких независимых клиниках.
Важность исследования
Главное достижение GenFAR заключается не в создании ещё одного диагностического алгоритма. Авторы показали, что медицинский ИИ может накапливать знания о разных особенностях мозга и переносить их на новые задачи.
Подобный подход способен:
- уменьшить количество данных, необходимых для нового исследования;
- помочь в изучении редких заболеваний;
- сделать современные методы доступнее небольшим научным группам;
- снизить расходы на обучение отдельных трёхмерных нейросетей;
- ускорить проверку новых гипотез в нейровизуализации.
Вывод
GenFAR показывает возможное направление развития медицинского ИИ: вместо множества изолированных нейросетей — универсальная основа, которая сначала изучает общие закономерности строения мозга, а затем адаптируется под конкретную задачу.
Особенно убедительно модель выглядит в условиях нехватки данных. Именно здесь знания, полученные на десятках тысяч других МРТ, дают наиболее заметное преимущество.
Но пока это не «ИИ-врач» и не готовая система диагностики. Это фундамент, на котором исследователи смогут быстрее создавать и проверять новые инструменты анализа мозга.
Модель и программы: GitHub.