В Южном Федеральном Университете проводятся исследования по применению методов машинного обучения для распознавания рака, оптимизации стратегий лечения и прогнозировании вероятности выживания пациентов. Эти разработки позволят значительно сократить время постановки диагноза, сообщает сайт вуза.
В Южном Федеральном Университете в сфере диагностики и лечения онкозаболеваний работают разные группы ученых, включая сотрудников Международного исследовательского института интеллектуальных материалов и Центра наукоемкого приборостроения. Недавно они представили результаты своей работы по применению машинного обучения в онкологии, в частности, при анализе медицинских изображений, планировании лечения, прогнозировании выживаемости пациентов и синтезе лекарств в журнале «Cancers». Использование искусственного интеллекта в онкологии позволяет ускорить процессы диагностики и планирования лечения за счет обработки больших объемов данных. Это снижает ресурсные затраты специалистов и улучшает качество терапии.
«Быстрый и надежный анализ медицинских изображений имеет критически важное значение при быстротекущих формах рака. В этом смысле повысить качество терапии и ухода за пациентами может внедрение машинного обучения (ML) для анализа постоянно растущих объемов больших данных. Сегодня мы видим на практике, что ML уже используется для работы с различными видами рака, такими как карцинома, глиома, рак эндометрия, рак простаты и другие», – рассказала Елена Варламова, инженер-исследователь лаборатории «Микрофлюидные технологии для ускоренного синтеза материалов» ЦНП ЮФУ.
Ученые отмечают, что несмотря на эффективность методов машинного обучения в медицине, существуют некоторые барьеры и проблемы, включая правовые, нормативные и этические аспекты. Машинное обучение, по словам Елены Варламовой, имеет широкие перспективы в решении проблем онкологии, однако существует несколько нерешенных задач. Одна из них — стандартизация данных и борьба с предвзятостью, которая может быть связана с наборами обучающих данных. Также проблемой является недостаток перспективных клинических исследований, которые существенно влияют на формирование наборов данных для обучения моделей машинного обучения.
Еще одним аспектом является недостаточная представленность определенных групп населения в датасетах (набор данных, используемый в различных видах анализа и машинного обучения), которая может повлечь проблемы с доступностью данных для обучения алгоритмов или привести к ошибочным прогнозам ИИ, что неприемлемо для их последующего использования в клинической практике.
В ЮФУ также разработали метод Pathologist AI, который позволяет проводить анализ гистологических данных и делать предсказания о диагнозе с точностью выше 96%. «Данный проект призван значительно сократить время и сложность работы врача-патологоанатома за счет автоматической сегментации гистопатологических изображений и классификации найденных злокачественных клеток в образцах тканей», – пояснили в вузе.
В институте также ведется разработка программного модуля для автоматической диагностики рака толстой кишки по гистопатологическим данным, что может стать ценным инструментом для врачей. Кроме того, проводятся экспериментальные исследования по получению нанокомпозитов для рентгеновской фотодинамической терапии опухолей.
Недавно новый метод на основе ИИ для диагностики рака кожи с определением стадии развития заболевания предложили ученые Саратовского государственного медуниверситета.
