Технология «глубокого обучения» в ультразвуковой диагностике

Стремясь удовлетворить растущие потребности в решениях для более быстрой и эффективной диагностики на основе методов визуализации, компания Samsung впервые применяет технологию "глубокого обучения" при анализе данных УЗИ для оценки образований молочной железы. Предлагаемая компанией УЗ-система премиум-класса RS80A оснащена модулем "S-Detect for Breast", использующим специальные алгоритмы "глубокого обучения".

Модуль S-Detect for Breast использует значительные объемы данных, полученные при большом количестве обследований молочной железы, и позволяет описать характеристики выделенных образований, а также предположить, является ли выбранное образование доброкачественным или злокачественным. В процессе сегментации, анализа характеристик и оценки образования используется алгоритм "глубокого обучения", уже сейчас дающий возможность врачам получать более точные результаты, причем вся информация выводится в виде единого отчета.

Система S-Detect разработана на основании почти 10 000 страниц данных, полученных в медицинском центре компании Samsung Medison за последние 20 лет.

"Развитие компании Samsung Medison на рынке здравоохранения - не только разработка собственных программных пакетов и технологий визуализации, но и привлечение новых решений для ультразвуковой диагностики, таких как S-Detect", - отмечает Донгзо Джун (Dongsoo Jun), президент по развитию бизнеса направления "Здравоох ранение и медицинское оборудование"компании Samsung Electronics и CEO компании Samsung Medison.

"Используя наши передовые программные технологии, мы продолжим разработку инновационных методов визуализации, что даст возможность пользователям устанавливать диагноз быстрее и надежнее".

"Мы заметили, что система S-Detect обеспечивает высокий уровень соответствия при обнаружении и анализе образования в различных клинических случаях, - говорит профессор Бу-Юн Хан (Boo-Kyung Han), врач-радиолог в медицинском центре Samsung Medison. - Врачи могут сократить количество ненужных биопсий, а интерны и менее опытные специалисты получат надежную поддержку при оценке подозрительных образований".

Конечно, система RS80A предназначена не только для проведения УЗИ молочной железы с применением модуля "S-Detect for Breast".

Другие ключевые обновления последней версии системы включают несколько возможностей:

• S-Fusion - теперь включает функцию Respiration Auto для минимизации отличий между изображениями КТ/МРТ и УЗИ, полученными во время вдоха и выдоха;
• CEUS+ - включает фирменные функции "VesselMax" и "FlowMax" компании Samsung, предназначенные для четкой визуализации сосудов и кровотока при просмотре УЗ-изображений с контрастированием;
• S-3D Arterial Analysis - обеспечивает упрощенный способ 3D-визуализации сосудов и измерения объема артериальной бляшки. Врачи также могут отслеживать мор фо логические изменения в артерии. Передовые технологии визуализации:
• S-Harmonic - позволяет создать четкое изображение от ближней до дальней зоны при снижении соотношения сигнал-шум с помощью более широкой полосы пропускания и более высокой частоты сигнала;
• HQ Vision - обеспечивает более четкую визуализацию скелетно-мышечных структур, например сухожилий и мышц.

Система использует лексикон BI-RADS для стандартизованного описания и классификации подозрительных образований молочной железы.

При обследовании щитовидной железы система RS80A проводит диагностику на основе корейской системы анализа и протоколирования результатов УЗИ щитовидной железы K-TIRADS (Korean-Thyroid Imaging Reporting and Data System), балльной системы TIRADS, предложенной доктором Жилем Рассом (Gilles Russ), и руководства Американской ассоциации по изучению щитовидной железы (ATA).

С момента запуска в 2014 г. система RS80A обеспечивает врачей простым, быстрым и точным способом диагностики, в том числе в таких крупных престижных медицинских учреждениях, как Клиника Мейо (США) и Университетская больница Шарите (Германия).

Новая система RS80A сейчас доступна на рынках Европы и Ближнего Востока и вскоре появится в Северной и Южной Америке, Китае.

Клиническая эффективность модуля S-Detect

Мы обсудили имеющиеся данные о клинической эффективности системы S-Detect с профессором Boo-Kyung Han, врачом-радиологом медицинского центра Samsung.

Модуль S-Detect разработан с использованием базы данных, накопленных в медицинском центре Samsung Medison за 20 лет работы. Вероятно, главным образом эти данные получены у кореянок и других женщин азиатского происхождения. Как при этом учитывали различия в характеристиках молочной железы у азиатских и, скажем, европейских женщин, например по плотности ткани молочной железы? Влияют ли они на эффективность работы модуля?

Действительно, некоторые характеристики молочной железы у женщин азиатского и европейского происхождения могут различаться. В Азии доля женщин с плотной тканью молочной железы, действительно, гораздо выше, чем, скажем, в Соединенных Штатах Америки. Однако в уже обнаруженных патологических образованиях эхогенность паренхимы окружающих тканей слабо или вообще не влияет на морфологические характеристики образования. Тем не менее в ближайшее время для повышения точности модуля S-Detect мы планируем добавить в него клинические случаи из глобальной базы данных.

Какова эффективность системы S-Detect в верификационных исследованиях, например по сравнению с результатами анализа опытными врачами-радиологами, специализирующимися на болезнях молочной железы, и/или подтвержденными гистологически образованиями? Какой из альтернативных режимов работы модуля - настройки чувствительности или специфичности - на практике выбирают чаще? Режим высокой чувствительности/режим высокой точности/режим высокой специфичности?

В настоящее время мы проводим ретроспективное исследование, в котором опытные врачи-радиологи, специализирующиеся на болезнях молочной железы, используют модуль S-Detect для анализа гистологически подтвержденных образований. Чувствительность и специфичность модуля S-Detect оказались гораздо выше, чем эти параметры у врачей-радиологов, не использовавших систему, особенно если они использовали его в режимах высокой чувствительности и высокой точности.

Хорошо иметь возможность изменять параметры чувст вительности/специфичности, но лично я предпочитаю режим высокой точности, поскольку считаю гораздо более важной задачей уменьшить количество ненужных биопсий при скрининге, а использование режима высокой чувствительности может привести к увеличению числа ненужных биопсий. Кроме того, понятно, что под контролем ультразвука биопсии выполнять на практике проще, чем под контролем маммографии, но тем не менее стоит быть осторожными и не допустить злоупотребления использованием метода биопсии под контролем ультразвука. Решение проводить биопсию при повышении степени подозрения по данным применения модуля S-Detect следует принимать только в случае, если уровень подозрения на наличие малигнизации очень высокий как по клиническим, так и по маммографическим данным.

Стандартное УЗИ является операторзависимым методом диагностики. Конечно, применение стандартизованных методик в этих условиях представляется более предпочтительным. Но как оценить это преимущество количественно?

Именно эту проблему мы и пытаемся преодолеть. Таким образом, чтобы устранить относительно более высокую зависимость результатов ультразвуковой визуализации от опыта специалиста, была разработана система S-Detect, предназначенная для получения статических изображений наилучшего качества, получаемых высококвалифицированными радиологами. Конечно, мы не можем гарантировать, что эффективность во всех реальных клинических условиях применения будет одинаковой; индивидуальные различия можно будет учесть по результатам верификационного исследования в каждом учреждении, которое обеспечит данные об операторзависимости и поможет обосновать проведение дальнейшей диагностики по данным УЗИ.

Новая технология может улучшить оценку подозрительных образований, причем особенно эта функция полезна менее опытным пользователям. А как ее воспримут опытные врачи? Не вызовет ли у них отторжения сам факт, что система пытается оценивать изображения? Может быть, они почувствуют себя лишними?

Мы, радиологи, привыкли принимать клинические решения в режиме реального времени, и мы оцениваем данные УЗИ с учетом данных маммографии и клинической ситуации. Возможно, именно поэтому в ретроспективном исследовании с анализом статических изображений эффективность анализа радиологами по сравнению с системой S-Detect оказалась ниже. Кроме того, система S-Detect может играть определенную роль при получении "второго мнения", что особенно полезно для врачей, поскольку в целом это позволяет увеличить точность процесса принятия клинических решений.

Одним из показателей эффективности системы S-Detect может быть снижение числа ненужных биопсий. Подтверждают ли это ваши данные?

Сейчас мы анализируем данные об эффективности системы S-Detect и планируем опубликовать их позднее в этом году. Поэтому я не хочу предвосхищать результаты, но, например, если система S-Detect позволит надежно определять образования категории 4A по BI-RADS как доброкачественные, это может существенно уменьшить количество ненужных биопсий.

Итак, каковы в целом возможные клинические преимущества системы S-Detect?

Их много, но в качестве примера можно привести использование системы S-Detect для выбора между контрольным наблюдением в короткий период или проведением биопсии в случае неоднозначных образований, таких как образования категории 4A по BI-RADS например.

В чем конкретно заключается технология "глубокого обучения"

Чтобы больше узнать о "глубоком обучении", мы поговорили с докторами Yeong Kyeong Seong и Moon Ho Park - ведущими инженерами компании Samsung, отвечающими за разработку системы RS80A и реализацию в системе алгоритмов "глубокого обучения".

Начнем с начала. Можете ли вы простыми словами описать, что такое "глубокое обучение"?

"Глубокое обучение" - это быстро развивающийся раздел глобальной области искусственного интеллекта. Недавно профессор И. Бенгио (Y. Bengio) из университета Монреаля, Канада, один из мировых лидеров в области "глубокого обучения", консультировавший компанию Samsung Medison на ранних стадиях разработки системы RS80A, опубликовал статью (Machines who learn, Scientific American Jun 2016 p41- 48), где отметил, что искусственный интеллект стали всерьез изучать еще в 1950-х годах, но тогда разработать соответствующие алгоритмы было невозможно, просто не хватало вычислительных мощностей. Однако в последние несколько лет интерес к искусственному интеллекту возродился, поскольку появились программы, работающие примерно как нейронные сети в головном мозге, и было показано, что искусственный интеллект реализовать возможно. "Глубокое обучение" - метод, использующий сложные нейронные сети - уже обеспечивает удивительный уровень эффективности.

Используя возможности компании Samsung в вычислительной науке и технологиях визуализации, мы решили, что можем использовать принципы "глубокого обучения" для быстрого и точного принятия клинических решений. Компания Samsung Medison постоянно стремится к инновациям, и это стремление стало ключевым элементом процесса разработки медицинского оборудования с целью повысить надежность диагностики и в конечном счете улучшить исходы при лечении пациентов. В отношении ультразвуковой медицинской диагностики мы, оценив все варианты, пришли к выводу, что оптимальным вариантом повышения воспроизводимости и точности исследований будет использование технологии "глубокого обучения".

В последнее время приложения с машинным обучением привлекают большое внимание. Например, недавно компьютер сумел победить в игре мастеров Го. Следует отметить, что, хотя в таких приложениях используются те же основные принципы, что и в модуле "S-Detect for Breast" системы RS80A, сетевые структуры и применяемые алгоритмы совершенно разные.

Чем же отличаются ваши алгоритмы? Какие конкретно принципиальные изменения потребовалось внести, чтобы система смогла распознавать образования на УЗ-изображениях молочной железы?

Мы используем в модуле "S-Detect for Breast" специально разработанные свёрточные нейронные сети. При автоматической сегментации образований из указанной пользователем области интереса входные изображения в программе преобразуются, чтобы лучше распознавать образования различных размеров. Это преобразование происходит в несколько этапов: смещение, изменение размера, деформация входных изображений, причем все эти преобразования встроены в разработанную нами глубокую нейронную сеть в виде специально настроенных слоев. Кроме того, для оптимизации нашей свёрточной нейронной сети к ней добавлен и изменен ряд дополнительных слоев, что позволило еще более повысить ее точность и ускорить обработку данных.

Правда ли, что в свёрточных нейронных сетях программа "учится" лучше распознавать изображения сама, без участия человека?

Свёрточные нейронные сети могут, используя большое количество обучающих данных, научиться классифицировать изображения самостоятельно - и в этом заключается большое преимущество свёрточных нейронных сетей над обычными методами обучения. Свёрточные нейронные сети состоят из множества свёрточных слоев, причем в каждом таком слое значимые показатели могут извлекаться из входных данных автоматически. Затем эти данные, проходя через глубокие слои, интегрируются в системе. На последнем этапе в работу свёрточной нейронной сети добавляют обучаемый классификатор. Таким образом, в свёрточных нейронных сетях вместо разработки функций в ручном режиме человеком оптимальные характеристики извлекаются из данных и включаются в классификатор из показателей прямо в процессе их обучения. Именно благодаря этому их свойству мы применяем метод свёрточных нейронных сетей для распознания поражений молочной железы.

Мы планируем постоянно обновлять систему S-Detect, добавляя все больше и больше клинических случаев. Пользователи не могут вносить такие данные в систему самостоятельно, поэтому компания Samsung будет регулярно обновлять программное обеспечение для непрерывного процесса обучения системы. По мере накопления данных система S-Detect позволит получать еще более точные результаты.

Как вы проводили валидацию программы?

Мы использовали хорошо изученные клинические случаи, в которых был установлен клинический диагноз, а доброкачественный/злокачественный статус образований подтвержден биопсией. При оценке практической эффективности работы модуля S-Detect учитывали фактические диагнозы для каждого образования, чтобы убедиться, что процесс обучения происходит правильно.

Вероятно, системе при работе требуются большие вычислительные мощности. Не будет ли система обрабатывать данные слишком долго?

Действительно, в целом глубокие нейронные сети могут обрабатывать данные довольно долго. Мы знали, что в клинических приложениях этот недостаток нужно устранить, поэтому приоритетной задачей считали оптимизацию свёрточных нейронных сетей, используемых в системе S-Detect, для чего подбирали оптимальные объем входных данных и структуру сети и тем самым упорядочивали процесс ее работы. Таким образом, удалось полностью устранить временную задержку для пользователей, причем скорость работы была увеличена без какого-либо снижения точности.

Поддерживаемые системы: RS80A, WS80A и HS70A