Нейросеть обучена выявлять рак легких по томографическим снимкам

Исследователи из Google AI представили нейросетевую модель, которая по томографическим снимкам диагностирует рак легких. Модель использует актуальные результаты томографии пациента и исторические результаты томографии, чтобы делать предсказании о риске рака легких. Нейросеть достигает state-of-the-art результатов и обучена на данных 6,716 случаев из National Lung Cancer Screening Trial. Результаты работы были опубликованы в Nature.

Описание архитектуры

На вход сеть принимает исторический и текущий томографические снимки, а на выходе отдает вероятность болезни, показатели LUMAS (lung malignancy scores) и локализацию раковой опухоли. Ранее в этом году было опубликовано исследование, в котором нейросеть диагностировала рак груди по томографическим снимкам.

Модель состоит из четырех частей, каждая из которых была обучена на TensorFlow:

Сегментация легких: этот компонент отвечает за определение границ легких на снимке, исследователи обучили Mask-RCNN на датасете LUNA;
Зона, пораженная раком: RetinaNet была обучена, чтобы определять зону поражения раком на 3D снимке;
End-to-end сверточная сеть (InceptionV1) предсказывает вероятность рака легких, параметры этой модели используются как фичи в следующей модели;
Модель предсказания риска рака легких: итоговый классификатор, который принимает на вход данные, полученные от предыдущих двух моделей

Подробности реализации модели описаны в работе. Исходный код работы недоступен в связи с тем, что в реализации использованы закрытые корпоративные продукты Google.

Сравнение предсказаний модели и радиологов

Тренировочная выборка состояла из 6,716 случаев, а тестовая — из 1,139. Исследователи провели два эксперимента для сравнения работы модели и радиологов:

Когда результаты предыдущей томографии не были известны, модель обошла всех 6 радиологов (11% ложно положительных предсказаний и 5% ложно отрицательных предсказаний);
Когда результаты предыдущей томографии были известны, модель по эффективности была сравнима с теми же радиологами

Результаты работы модели в сравнении с радиологами. Синяя линия — показатель AUC модели, кружки — показатели отобранных 6 радиологов

Работа исследователей позволяет оптимизировать работу радиологов при проверке результатов обследований пациентов с помощью компьютерного ассистирования.