В Центре искусственного интеллекта МГУ имени М.В. Ломоносова создан инновационный метод анализа гистологических изображений, использующий графовые нейросети совместно с механизмом псевдоразметки. Этот подход открывает новые горизонты для повышения точности классификации тканевых структур даже при ограниченных возможностях ручной разметки данных. Благодаря данной методике становится возможным существенно сократить необходимое количество размеченных обучающих примеров. Методы машинного обучения, используемые в сочетании с графовым анализом и автоматизированной разметкой, делают процесс диагностики более надёжным и быстрым для специалистов медицины.
Прогресс в анализе гистологических изображений
Гистологические изображения являются неотъемлемой частью современной диагностики, особенно в сфере онкологии и других сложных заболеваний. Они содержат детализированную информацию о внутреннем строении тканей организма. Перевод такой визуальной информации в цифровой формат стал стандартом больших медицинских учреждений. Однако высокая детализация и большой объём данных приводят к тому, что традиционный ручной способ разметки остаётся очень сложным и трудоёмким. Развитие машинного обучения и искусственного интеллекта открывает путь к автоматизации этого процесса, однако часто не хватает размеченных примеров для качественного обучения моделей.
Графовые нейросети и псевдоразметка: синергия методов
Уникальность предложенного в МГУ подхода заключается в интеграции графовых нейросетей и псевдоразметки. Графовые нейросети представляют изображение как совокупность взаимосвязанных областей, что позволяет глубже учитывать пространственные отношения между фрагментами ткани. Псевдоразметка же применяется для автоматической генерации меток, которых обычно недостаточно для классического обучения. Этот механизм помогает активнее использовать имеющиеся данные, благодаря оценке моделью принадлежности патчей к определённым классам тканей. Модель строит связи между близкими по структуре участками и корректирует предсказания на основе внутренней структуры изображения, что даёт превосходную точность и стабильность результата.
Преимущества для медицинской диагностики
Особое место в исследовании заняли задачи анализа полноразмерных гистологических снимков, отличающихся высоким разрешением и сложной пространственной структурой. Новая методика позволяет одновременно анализировать как локальные детали отдельных участков, так и их взаимную компоновку на всём изображении. Такой баланс между локальной и глобальной информацией критически важен для медицинской диагностики, где даже небольшие отличия в организации тканей могут быть диагностически значимыми. Система формирует точные карты сегментации и обеспечивает максимальную надёжность при выявлении патологических зон.
Результаты и перспективы разработки
Тестирование модели на реальных медицинских данных показало отличные результаты: на датасете PATH-DT-MSU WSS2v2 удалось достичь Macro F1 равного 0.95, что превосходит показатели многих ранее известных патчевых или графовых методов. Высокая точность и устойчивость решения позволяют надеяться на широкое внедрение данных технологий в будущем. Дальнейшее развитие подобных методов обещает значительно повысить качество автоматизированной медицинской диагностики, уменьшить нагрузку на врачей и увеличить скорость обработки сложных медицинских снимков.
Вклад Центра искусственного интеллекта МГУ и возможности применения
Разработанный в МГУ метод анализа гистологических изображений может быть с успехом интегрирован в системы поддержки принятия врачебных решений, а также применён в ряде других медицинских задач, связанных с обработкой и интерпретацией изображений тканей. Использование графовых нейросетей и псевдоразметки способствует дальнейшему развитию технологий персонализированной медицины и позволяет расширить доступ специалистов к инструментам автоматизированного анализа. Такие инновации не только усиливают роли искусственного интеллекта и машинного обучения в здравоохранении, но и открывают возможности для ранней диагностики и проведения исследований на принципиально новом уровне.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
Источник: scientificrussia.ru
