| Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
| Разработчики: | ИТМО (научно-образовательная корпорация) |
| Дата премьеры системы: | 2021/08/26 |
| Отрасли: | Фармацевтика, медицина, здравоохранение |
Основные статьи:
2021: Создание метода для автоматического распознавания опухолей головного мозга
Аспирантка факультета информационных технологий и программирования ИТМО создала метод для автоматического распознавания опухолей головного мозга по изображениям МРТ. Он позволит лучше интерпретировать предсказания нейросети, чтобы определить, где она не уверена. Об этом Университет сообщил 26 августа 2021 года.
Метод основан на методах глубокого обучения, он направлен на уменьшение уровня неопределенности нейросетевой модели при анализе медицинских изображений. Дело в том, что разметкой медицинских снимков занимаются врачи, вручную выполняя огромный объем трудоемкой работы. Но это чревато ошибками и неточностями, а, значит, может повлиять и на работу нейросетевой модели. В то же время проблема нейросетей состоит в том, что человек полностью доверяет решениям модели. Но нельзя слепо опираться на ее выводы, вместо этого нужно учитывать то, насколько модель уверена в своем предсказании. Особенно это важно для решения задач в области медицины.Метавселенная ВДНХ 
По сравнению с базовыми нейросетями для обработки медицинских изображений, точность алгоритма исследователей ИТМО выше на 3%, а калибровка модели стала лучше в два раза. На самом деле, это довольно много – такой алгоритм сможет не только определить пиксели, представляющие опухоль, но и предсказать ее границы намного лучше, а также точнее подскажет врачу, в каких пикселях предсказания он уверен в большей или меньшей степени.
 | Созданный нами алгоритм решает задачу сегментации опухоли. Допустим, есть изображение головного мозга, нейросеть его получит и преобразует в бинарную картинку с пикселями, помеченными 0 или 1, каждый из которых будет соответствовать здоровому участку ткани или новообразованию. Также алгоритм позволяет увидеть области, в которых модель машинного обучения менее уверена, которые требуют более пристального внимания врача. Обычно это границы опухоли. Наша модель лучше откалибрована, потому что у нее намного меньше процент неопределенности, — рассказал автор проекта, аспирантка факультета информационных технологий и программирования ИТМО Наталья Ханжина. |  |
Алгоритм был протестирован на открытом наборе данных BraTS, включающем 45 тысяч снимков магнитно-резонансной томографии. Это очень ценно для научного сообщества, поскольку метод доступен, универсален, а, значит, и может быть применен и для решения других задач.
Наталья работает над исследованием вместе с Максимом Кашириным, выпускником магистерской программы Machine learning and Data Analysis Университета ИТМО.
