TY - JOUR

T1 - Новые подходы к разработке алгоритмов искусственного интеллекта в диагностике рака легкого

AU - Мелдо, Анна Александровна

AU - Уткин, Лев Владимирович

AU - Трофимова, Татьяна Николаевна

AU - Рябинин, Михаил Андреевич

AU - Моисеенко, Владимир Михайлович

AU - Шелехова, Ксения Владимировна

N1 - Мелдо A.A., Уткин Л.В., Трофимова T.Н., Рябинин М.A., Моисеенко В.M., Шелехова К.В. НОВЫЕ ПОДХОДЫ К РАЗРАБОТКЕ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ РАКА ЛЕГКОГО. Лучевая диагностика и терапия. 2019;(1):8-18. https://doi.org/10.22328/2079-5343-2019-10-1-8-18

PY - 2019

Y1 - 2019

N2 - Актуальность разработки интеллектуальной автоматизированной системы диагностики (ИАСД) рака легкого (РЛ) связана с социальной значимостью этого заболевания и его лидирующей позицией в структуре онкологической заболеваемости. Теоретически применение ИАСД возможно как на этапе скрининга, так и в уточненной диагностике РЛ. Применяемые подходы к обучению ИАСД не учитывают клинико-рентгенологическую классификацию и особенности клинических форм РЛ, используемые медицинским сообществом. С этим связаны трудности применения разрабатываемых в настоящее время систем. Авторы придерживаются мнения, что приближенность разрабатываемой ИАСД к «логике врача» способствует лучшей воспроизводимости и интерпретируемости результатов при ее использовании. Большинство описанных в литературе ИАСД созданы на основе нейронных сетей, которые обладают рядом недостатков, влияющих на воспроизводимость при использовании системы. Данная работа отражает применение комбинированного алгоритма с использованием методов машинного обучения, таких как глубокий лес и сиамская нейронная сеть, что является более эффективным подходом при малой выборке обучающих данных и оптимальным с точки зрения воспроизводимости. Открытые базы данных, применяемые при разработке ИАСД, включают размеченные, но в ряде случаев не подтвержденные морфологически находки. В статье приводится описание базы данных LIRA, созданной на материале Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический), которая включает только компьютерные томограммы пациентов с верифицированным диагнозом. В статье описаны этапы машинного обучения по признакам формы, внутренней структуры, а также новая разработанная архитектура дифференциальной диагностики образований на основе сиамских нейронных сетей. Также отражен способ понижения размерности данных для более эффективного и быстрого обучения системы.

AB - Актуальность разработки интеллектуальной автоматизированной системы диагностики (ИАСД) рака легкого (РЛ) связана с социальной значимостью этого заболевания и его лидирующей позицией в структуре онкологической заболеваемости. Теоретически применение ИАСД возможно как на этапе скрининга, так и в уточненной диагностике РЛ. Применяемые подходы к обучению ИАСД не учитывают клинико-рентгенологическую классификацию и особенности клинических форм РЛ, используемые медицинским сообществом. С этим связаны трудности применения разрабатываемых в настоящее время систем. Авторы придерживаются мнения, что приближенность разрабатываемой ИАСД к «логике врача» способствует лучшей воспроизводимости и интерпретируемости результатов при ее использовании. Большинство описанных в литературе ИАСД созданы на основе нейронных сетей, которые обладают рядом недостатков, влияющих на воспроизводимость при использовании системы. Данная работа отражает применение комбинированного алгоритма с использованием методов машинного обучения, таких как глубокий лес и сиамская нейронная сеть, что является более эффективным подходом при малой выборке обучающих данных и оптимальным с точки зрения воспроизводимости. Открытые базы данных, применяемые при разработке ИАСД, включают размеченные, но в ряде случаев не подтвержденные морфологически находки. В статье приводится описание базы данных LIRA, созданной на материале Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический), которая включает только компьютерные томограммы пациентов с верифицированным диагнозом. В статье описаны этапы машинного обучения по признакам формы, внутренней структуры, а также новая разработанная архитектура дифференциальной диагностики образований на основе сиамских нейронных сетей. Также отражен способ понижения размерности данных для более эффективного и быстрого обучения системы.

KW - искусственный интеллект

KW - онкология

KW - ЛУЧЕВАЯ ДИАГНОСТИКА

KW - машинное обучение

KW - artificial Intelligence

KW - Oncology

KW - RADIOLOGY

KW - Machine learning

UR - https://radiag.bmoc-spb.ru/jour/article/view/357

UR - https://www.elibrary.ru/item.asp?id=37574909

M3 - статья

SP - 8

EP - 18

JO - Лучевая диагностика и терапия

JF - Лучевая диагностика и терапия

SN - 2079-5343

IS - 1

ER -