Машинное обучение для медицины
2019. Микроскоп с ИИ позволяет проводить гистологический анализ во время операции
![](https://www.livemd.ru/pics/news/1575205973.jpg)
При хирургических операциях по удалению раковых опухолей иногда используют интраоперационное гистологическое экспресс-исследование удаленного образца ткани, чтобы хирург увидел, удалена ли вся опухоль. Однако, используется этот метод редко, т.к. это довольно сложная процедура, включающая заморозку и подготовку образца в течении 15 минут. Ученые из Университета Техаса разработали гиперчастотный микроскоп, который не только воспринимает спектр света от ультрафиолетового до инфракрасного, но и обрабатывает картинку при помощи машинного обучения, чтобы показать хирургу раковые клетки. Причем, все это можно сделать в режиме реального времени, без специальной подготовки образца ткани.
2019. Новый томограф GE использует машинное обучение для реконструкции снимков
![](https://www.livemd.ru/pics/news/1553936450.jpg)
Вероятно, вы уже слышали, что машинное обучение применяют для автоматического поиска патологий на снимках КТ и МРТ. Но в GE придумали, пожалуй, еще более полезный способ применения машинного обучения для сканированя - превращение некачественных снимков в качественные. Как им это удалось? Они сделали много-много одинаковых снимков с низким и высоким разрешением и научили программу (которая называется Edison) восстанавливать качественную картинку из некачественной. Что это нам дает? Во многих случаях можно проводить сканирование пациента с низким разрешением, значительно снижая дозу радиации, которую он получит. Программа томографа - сама воссоздаст качественный снимок, по которому врач сможет поставить диагноз. А в сложных случаях эта система поможет избежать ошибок в диагнозе и повторных сканирований, которые периодически необходимы из-за случайных движений или неудачного распределения контрастного вещества.
2018. В России впервые в мире начнут распознавать туберкулез по снимкам с помощью нейросетей
![](https://www.livemd.ru/pics/news/1540800402.jpg)
В России стартует проект TUCAN, в рамках которого будут созданы модели машинного обучения для распознавания рака легких и туберкулеза по рентгеновским снимкам. В мире подобные модели для рака легких уже существуют, для туберкулеза — нет. Проект будет использовать базу данных российского Центрального научно-исследовательского института туберкулеза. Авторы проекта акцентируют внимание на том, что ответственность за постановку диагноза будет лежать на специалисте-человеке. Искусственный интеллект в данном случае полезен в первую очередь тем, что способен выявить и зафиксировать формальные признаки заболевания, на которые врач-рентгенолог может не обратить внимания — например, из-за усталости в конце рабочего дня. Руководителем TUCAN выступает главный внештатный специалист по лучевой диагностике Минздрава, доктор медицинских наук, профессор Игорь Тюрин (на фото).
2018. Машинное обучение улучшит диагностику рака груди
![](https://www.livemd.ru/pics/news/1539933974.jpg)
Снимки, полученные при маммографическом исследовании, могут по разному трактоваться разными врачами, в зависимости от их квалификации, усталости и настроения. Команда разработчиков из Массачусетского технологического института под руководством Адама Яла, решила исключить человеческий фактор из этого важного исследования и доверить его системе машинного обучения. Обученная ими на десятках тысяч снимков нейросеть с января 2018 работала параллельно с врачами в Массачусетской больнице общего профиля. Оказалось, что в более чем 90% случаев результаты диагностики человека и нейросети - совпадали. Кто был прав в оставшихся 10% случаев - не известно, но очевидно, что чем больше нейросеть будет обучаться, тем точнее станет ее диагностика.
2018. В России впервые в мире начнут распознавать туберкулез по снимкам с помощью нейросетей
![](https://www.livemd.ru/pics/news/1524067892.jpg)
В России стартует проект TUCAN, в рамках которого будут созданы модели машинного обучения для распознавания рака легких и туберкулеза по рентгеновским снимкам. В мире подобные модели для рака легких уже существуют, для туберкулеза — нет. В принятии решений нейросетью обязательно будет участвовать человек — клиницист или рентгенолог. Искусственный интеллект в данном случае полезен в первую очередь тем, что способен выявить и зафиксировать формальные признаки заболевания, на которые врач-рентгенолог может не обратить внимания — например, из-за усталости в конце рабочего дня. Для обучения нейросети будут использоваться общедоступные библиотеки рентгеновских снимков и материалы российского ЦНИИТ.
2017. Машинное обучение позволит создавать таргетированные лекарства
![](https://www.livemd.ru/pics/news/1501233176.jpg)
Одно из направлений современной медицины - таргетированная терапия, основанная на выявлении особенностей молекулярной патологии: лекарственный препарат находит нетипичные молекулы белка, связывается с ними и изменяет их форму, меняя поведение белка в организме. Таким образом, для разработки лекарственных препаратов нужно знать трехмерную форму белка. Канадские ученые применили методы машинного обучения для восстановления 3D-формы молекул белка из двухмерных изображений, полученных криомикроскопией. Высокое разрешение, точность и быстродействие нового метода обещают существенно упростить разработку средств для лекарственной терапии широкого диапазона болезней, включая онкологические заболевания и болезнь Альцгеймера.
2017. ИИ определяет идеальную пару для пересадки печени
![](https://www.livemd.ru/pics/news/1487667456.jpg)
В госпитале Austin Health (Мельбурн, Австралия) создали систему, основанную на машинном обучении, которая подбирает идеального реципиента для пересадки печени от появившегося донора. Разработчики вдохновились сайтами знакомств, где вы регистрируетесь, заполняете анкету, и вам тут же подбирают несколько подходящих кандидатур. Так и в Austin Health - при появлении нового донора система тут же подбирает наиболее подходящих реципиентов из списка ожидания, основываясь на возрасте, размерах тела, группе крови и десятках других параметров. Говорят, что таким образом удалось снизить уровень отторжения органов с 32% до 16%.