Як ЗНП Навчається Виявляти Пухлину на МРТ Мозку

Критичне питання «так» або «ні»,

Приблизно 11 тисяч людей у Великобританії отримують діагноз первинного пухлини мозку щороку, і швидкість встановлення цього діагнозу безпосередньо впливає на варіанти лікування та результати. Один із найпростіших завдань комп’ютерного зору в медичних знімках – вирішити, чи демонструє зріз МРТ мозку наявність пухлини. Це звучить просто у порівнянні з оцінкою ступеня прогресування пухлини, але навіть це бінарне рішення «так» або «ні» є дійсно корисним елементом: система, яка швидко та надійно класифікує щойно отримані знімки МРТ як «ймовірно нормально» та «потребує більш детального розгляду», могла б допомогти радіологічним відділам пріоритезувати списки для читання, що має значення в умовах тиску на очікування в NHS.

Чому МРТ відрізняється від фотографії

Зображення МРТ – це сірий відтінок зрізу через м’якотканину, створений за допомогою радіочастотних сигналів, а не відбитих світла. Тканина пухлини зазвичай виглядає як область із різною інтенсивністю сигналу та текстурою порівняно зі здоровою мозковою тканиною – іноді яскравішою, іноді темнішою, часто з неправильною, погано визначеною межею, на відміну від нормальних анатомічних структур. CNN, розроблений для виявлення цього, не повинен розуміти цієї фізики; йому просто потрібно показати достатньо розмічених прикладів зображень «пухлина присутня» та «пухлина відсутня», щоб його згорткові фільтри поступово навчилися реагувати на текстури та форми, характерні для аномальної тканини, незалежно від того, де саме в зображенні вони знаходяться.

Працездатний бінарний класифікатор для цієї задачі можна побудувати як відносно компактний CNN: три блоки згортки та підзбір інформації, які поступово зменшують зображення, одночасно видобуваючи все більш абстрактні ознаки, за ними йде щільна класифікаційна головка, що закінчується одним сигмоїдним виходом – число між 0 і 1, яке читається як оцінка моделі ймовірності того, чи присутня пухлина. Зображення зазвичай зменшують до чогось на зразок 128x128 пікселів і нормалізують у діапазоні від 0 до 1 перед тим, як подавати їх в мережу, що дозволяє навчанню тривати достатньо швидко для запуску на одному GPU.

Чому важливіше запам’ятовування, ніж точність у цьому випадку

Після навчання природним є бажання перевірити загальну точність — відсоток зображень, які були правильно класифіковані. Але в контексті скринінгу це неправильний показник для оптимізації. Розглянемо набір даних, де 60% зображень не містять пухлини: модель, яка б завжди передбачала «відсутність пухлини», вже була б точною на рівні 60%, але при цьому була б клінічно марною, оскільки вона пропускала б усі справжні випадки. Саме тому запам’ятовування (також відоме як чутливість) — пропорція справжніх випадків з пухлинами, які модель успішно виявляє — є показником, який найбільше має значення для інструменту скринінгу. Помилка першого роду, коли пухлина не виявлена, набагато серйозніша за помилку другого роду, яка просто призводить до повторної перевірки нормального скану радіологом. Порівняння точності та запам’ятовування поряд і аналіз матриці плутани́н замість єдиного підсумкового числа дає набагато більш чесне уявлення про те, як модель би поводилася в клінічній робочій обстановці.

Що розкриває матриця плутани́цьких результатів

Матриця плутани́цьких результатів для цієї бінарної задачі розділяє передбачення на чотири категорії: істинно негативні (правильно визначені як норми), істинно позитивні (правильно позначені пухлини), хибнопозитивні (нормізовані сканування, неправильно позначені) та хибнонегативні (пропущено пухлини). Побудова цієї матриці у вигляді невеликої теплової карти робить компроміс видимим з першого погляду, і вона набагато більш інформативна для клінічної аудиторії, ніж одне значення точності, оскільки безпосередньо показує, скільки справжніх пухлин модель дозволила б пройти непоміченими – кількість, яка найбільше хвилює будь-який радіологічний відділ перед тим, як довіряти інструменту навіть як перший фільтр.

Відмінність між проєктом портфеля та клінічним інструментом

Набір даних з кількох сотень МРТ-знімків, навіть якщо вони ретельно позначені, ніде не є достатньо великим чи різноманітним для того, щоб сертифікувати інструмент для клінічного застосування. Реальні МРТ-знімки мозку значно різняться залежно від виробника сканера, потужності поля, послідовності зйомки (T1, T2, FLAIR і т.д.) та положення пацієнта, і модель, навчена на вузькому наборі даних, може працювати набагато гірше, коли стикається зі знімками, які вона не ефективно бачила під час навчання. Щоб створити корисний інструмент для радіології NHS, необхідно піти далеко за межі простого визначення «присутність/відсутність», щоб точно локалізувати місце розташування пухлини (сегментація), оцінити її ймовірний тип або ступінь та пройти поперечну валідацію проти експертних нейрорадіологів у кількох лікарнях — а також отримати формальне регуляторне схвалення як медичний пристрій перед тим, як він торкатиметься реальної клінічної траєкторії.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.