Нейронні мережі в медицині — це напрямок застосування методів штучного інтелекту та глибокого навчання у медичній практиці для підвищення точності діагностики, прогнозування перебігу захворювань, аналізу біомедичних даних та автоматизації клінічних процесів. Використання штучних нейронних мереж (ШНМ) дає можливість значно підвищити специфічність методів дослідження, не знижуючи їхньої чутливості.
Штучні нейронні мережі здатні ухвалювати рішення, ґрунтуючись на прихованих закономірностях у багатовимірних даних, які людині-експерту оцінити важко або неможливо. Головна особливість ШНМ полягає в тому, що вони не програмуються за жорсткими алгоритмами (тобто не використовують статичні правила виведення для постановки діагнозу), а самостійно навчаються на прикладах (навчальних вибірках).
У цьому контексті нейромережі принципово відрізняються від експертних систем першого покоління (таких як система MYCIN, розроблена в Стенфорді на початку 1970-х років для діагностики септичного шоку). Якщо експертні системи базувалися на базах знань, отриманих від лікарів, і логічних правилах, то сучасні ШНМ здійснюють класифікацію подій шляхом узагальнення попереднього досвіду та застосування його до нових, раніше невідомих клінічних випадків.
Основні можливості застосування Сучасні нейромережеві технології в медицині демонструють високу ефективність у таких завданнях: Медична візуалізація та діагностика: розпізнавання патологій на знімках КТ, МРТ, рентгенограмах та мамограмах (зокрема, у сфері онкодіагностики). Аналіз часових рядів: інтелектуальний аналіз та фільтрація нелінійних шумів у сигналах ЕКГ та тахограм. Клінічне прогнозування: оцінка ризиків та розрахунок тривалості перебування пацієнтів у палатах інтенсивної терапії на основі аналізу анамнезу та передопераційних даних. Біоінформатика та фармакологія: моделювання та прогнозування тривимірної структури білків для створення нових лікарських засобів.
Конкретні системи
Прикладом програми діагностики служить пакет кардіодіагностіки, розроблений фірмою RES Informatica спільно з Центром кардіологічних досліджень в Мілані. Програма дозволяє здійснювати неінвазивну кардіодіагностіку на основі розпізнавання спектрів тахограм. Тахограма є гістограмою інтервалів між послідовним серцебиттям, і її спектр відображає баланс активностей симпатичної і парасимпатичної нервової системи людини, що специфічно змінюється при різних захворюваннях.
Так або інакше, вже зараз можна констатувати, що нейронні мережі перетворюються на інструмент кардіодіагностіки — в Англії, наприклад, вони використовуються в чотирьох госпіталях для попередження інфаркту міокарду.
У медицині знаходить застосування і інша особливість нейромереж — їх здатність передбачати тимчасові послідовності. Вже наголошувалося, що експертні системи досягли успіху в аналізі ЕКГ. Нейромережі тут теж приносять користь. Ки Чженху, Ю Хену і Вілліс Томпкінс з університету штату Вісконсин розробили нейромережову систему фільтрації електрокардіограм, що дозволяє пригнічувати нелінійний і нестаціонарний шум значно краще, ніж методи, що раніше використалися. Річ у тому, що нейромережа добре передбачала шум по його значеннях в попередні моменти часу. А те, що нейромережі дуже ефективні для прогнозу тимчасових послідовностей (таких, наприклад, як курс валют або котирування акцій), переконливо продемонстрували результати змагання програм, що передбачали, проводяться університетом в Санта Фе, — нейромережі зайняли перше місце і домінували серед найкращих методів.
Можливості застосування нейромереж
ЕКГ — це приватне, хоча і виключно важливе застосування. Проте сьогодні існує і багато інших прикладів використання нейромереж для медичних прогнозів. Відомо, що довгі черги в кардіохірургічні відділення (від тижнів до місяців) викликані браком реанімаційних палат. Збільшити їхню кількість не вдається через високу вартість реанімаційної допомоги (70% засобів американці витрачають в останніх 2 тижні життя саме в цьому відділенні).
Вихід тільки в ефективнішому використанні наявних засобів. Припустимо, що стан прооперованих в деякий день хворих настільки важкий, що їм необхідне їх тривале перебування в реанімаційній палаті (більше двох діб). Весь цей час хірурги простоюватимуть, оскільки знов прооперованих хворих нікуди класти. Важких хворих розумно оперувати перед вихідними або святами — операційні все одно закриті в ці дні, хірурги відпочиватимуть, а хворі відновлюватися в реанімації. А ось на початку робочого тижня найкраще прооперувати тих пацієнтів, яким потрібно буде знаходитися в реанімаційній палаті тільки один-два дні. Тоді ліжка в реанімації звільнятимуться швидше і приймати нових, прооперованих у вівторок і середу хворих.
Питання в тому, як вгадати, кому доведеться надовго затриматися в блоці інтенсивної терапії після операції, а кому — ні. Джек Ту і Майкл Гуерір з госпіталю Святого Михайла університету в Торонто використовували нейронні мережі для такого прогнозу. Як початкові дані вони узяли тільки ті відомості про пацієнта, які відомі в передопераційний період. Відмітимо, що в попередніх роботах, що не використовують нейронні мережі, як чинники підвищеного ризику перебування в реанімації застосовувалися також важливі післяопераційні відомості — різні ускладнення, що виникли в ході хірургічного втручання.
Ту і Гуерір навчили двошаровий персептрон розділяти хворих на три групи ризику, враховуючи їх вік, стать, функціональний стан лівого шлуночку, ступінь складності майбутньої операції і наявність супутніх захворювань. З тих пацієнтів, яких мережа віднесла до групи малого ризику затримки в реанімації, тільки 16,3% дійсно провели в ній більше двох днів. В той же час понад 60% з тих, кого мережа віднесла в групу підвищеного ризику, виправдали несприятливий прогноз.
Боротьба з раком Ми приділяли особливу увагу серцево-судинним захворюванням, оскільки саме вони утримують сумне лідерство в списку причин смертності. На другому місці знаходяться онкологічні захворювання. Один з головних напрямів, в якому зараз йдуть роботи по використанню нейронних мереж, — діагностика раку молочної залози. Ця недуга — причина смерті кожної дев'ятої жінки.
Виявлення пухлини здійснюється в ході первинного рентгенографічного аналізу молочної залози (мамографії) і подальшого аналізу шматочка тканини новоутворення (біопсії). Попри існування загальних правил диференціювання доброякісних і злоякісних новоутворень, за даними мамографії, тільки від 10 до 20 % результатів подальшої хірургічної біопсії дійсно підтверджують наявність рака молочної залози. Знову ми маємо справу з випадком вкрай низької специфічності методу.
Дослідники з університету Дьюка навчили нейронну мережу розпізнавати мамограми злоякісної тканини на основі восьми особливостей, з якими зазвичай мають справу радіологи. Виявилось, що мережа здатна вирішувати поставлену задачу з чутливістю близько 100 % і специфічністю 59 % (порівняєте з 10-20 % у радіологів). Скільки жінок з доброякісними пухлинами можна не піддавати стресу, пов'язаному з проведенням біопсії, якщо використовувати цю нейронну мережу! У клініці Майо (Міннесота) нейромережа аналізувала результати ультразвукового дослідження молочної залози і забезпечила специфічність 40 %, тоді як для тих же жінок специфічність висновку радіологів виявилася нульовою. Чи не так, успіх використання нейромережевих технологій виглядає зовсім не випадковим?
Після лікування раки молочної залози можливі рецидиви виникнення пухлини. Нейромережі вже допомагають ефективно їх передбачати. Подібні дослідження проводяться на медичному факультеті Техаського університету. Навчані мережі показали свої здібності виявляти і враховувати дуже складні зв'язки прогностичних змінних, зокрема, їх потрійні зв'язки для поліпшення здатності, що передбачає.
Різноманітні можливості застосування нейромереж в медицині, і різноманітна їх архітектура. На основі прогнозу віддалених результатів лікування захворювання тим або іншим методом можна віддати перевагу одному з них. Значного результату в прогнозі лікування рака яєчника (хвороба кожної сімдесятої жінки) добився відомий голландський фахівець Герберт Каппен з університету в Німегене (він використовує в своїй роботі не багатошарові персептрони, а так звані Машини Больцмана — нейромережі для оцінки ймовірності).
А ось приклад іншого онкологічного захворювання. Дослідники з медичної школи в Кагаве (Японія) навчили нейромережу, яка практично безпомилково прогнозувала за передопераційними даними результати резекції печінки у хворих печінково-клітинною карциномою.
У Троїцькому інституті інноваційних і термоядерних досліджень (ТРІНІТІ) в рамках того, що реалізовується Міністерством науки проекту створення нейромережевих консультаційних систем була розроблена нейромережева програма, яка вибирає метод лікування базальноклітинного раку шкіри (базаліоми) на основі довгострокового прогнозу розвитку рецидиву. Число захворювань базаліомою — онкологічною недугою білошкірих людей з тонкою шкірою — складає третину всіх онкологічних захворювань.
Діагностика однієї з форм меланоми — пухлини, яку іноді непросто відрізнити від пігментної форми базаліоми, була реалізована за допомогою нейромережевого симулятора Multineuron, розробленого у ВЦ СОАН в Красноярську під керівництвом А. Н. Горбаня.
Нейромережі можна використовувати і для прогнозу дії різних засобів лікування, що розробляються. Вони вже успішно застосовуються в хімії для прогнозу властивостей з'єднань на основі їх молекулярної структури. Дослідники з Національного інституту раку в США використовували нейромережі для прогнозу механізму дії препаратів, вживаних при хіміотерапії злоякісних пухлин. Відмітимо, що існують мільйони різних молекул, які необхідно досліджувати на предмет їх антиракової активності. Фахівці Інституту раку розбили відомі онкологічні препарати на шість груп відповідно до механізму їх дії на ракові клітини і навчили багатошарові мережі класифікувати нові речовини і розпізнавати їх дію. Як початкові дані використовувалися результати експериментів по придушенню зростання кліток з різних пухлин. Нейромережева класифікація дозволяє визначити, які з сотень молекул, що щодня апробовуються, варто вивчати далі у вельми дорогих експериментах in vitro та in vivo. Для вирішення аналогічного завдання використовувалися і мережі Кохонена. Ці навчані без вчителя нейромережі, які самоорганізувалися, розбивали речовини на заздалегідь невідоме число кластерів і тому далечіні дослідникам можливість ідентифікувати речовини, що володіють новими цитотоксичними механізмами дії.
Нейросистеми, генетика і молекули Діагностика і лікування онкологічних захворювань, а також розробка нових медикаментозних засобів поза сумнівом є найважливішою сферою застосування нейромережевих технологій. Проте останнім часом серед дослідників і лікарів росте усвідомлення того факту, що майбутні успіхи мають бути тісно пов'язані з вивченням молекулярних і генетичних причин розвитку захворювань.
Не випадково в квітні 1997 року експерти Національного інституту здоров'я (США) виступили з рекомендаціями по посиленню досліджень, пов'язаних з виявленням причин, що викликають рак, і розробок, направлених на попередження хвороб. Нейромережі вже досить давно активно застосовуються в аналізі послідовностей геномів ДНК, зокрема для розпізнавання промоторів — ділянок, передуючих генам і пов'язуваних з білком РНК-ПОЛІМЕРАЗА, який ініціює транскрипцію. Їх використовують для диференціації кодуючих і некодуючих ділянок ДНК (екзонов і інтронов) і прогнозу структури білків.