ОЦИФРОВАННЫЕ НЕРВЫ

МЕНЮ


Новости ИИ
Поиск

ТЕМЫ


Внедрение ИИНовости ИИРобототехника, БПЛАТрансгуманизмЛингвистика, рбработка текстаБиология, теория эволюцииВиртулаьная и дополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

АРХИВ


Июль 2017
Июнь 2017
Май 2017
Апрель 2017
Март 2017
Февраль 2017
Январь 2017
Декабрь 2016
Ноябрь 2016
Октябрь 2016
Сентябрь 2016
Август 2016
Июль 2016
Июнь 2016
Май 2016
Апрель 2016
Март 2016
Февраль 2016
Январь 2016
0000

RSS


RSS новости
птичий грипп
Реновация. Снос пятиэтажек в Москве

Новостная лента форума ailab.ru

ОЦИФРОВАННЫЕ НЕРВЫ

Рентгеновские снимки, данные ЭКГ, разнообразные анализы, истории болезни с назначениями лекарств – современная медицина построена на данных. Сейчас их больше анализируют люди, чем компьютеры, но все постепенно меняется. Юлия Додонова, один из сотрудников сектора анализа данных в нейронауках ИППИ РАН, рассказала, как компьютерные алгоритмы помогают в лечении и изучении различных психиатрических

и нейродегенеративных заболеваний.

— Чем занимается ваш сектор анализа данных в нейронауках?

— Сейчас у нас три основных направления. Первое связано с анализом клинических данных по болезни Гентингтона. У нее достаточно широкая симптоматика: у пациента появляются моторные нарушения – непроизвольные, пританцовывающие движения, к которым часто добавляются еще психические расстройства. Болезнь Гентингтона в каком-то смысле модельная для нейронаук, потому что мы точно знаем, от чего она возникает. Если в одном специфическом гене, кодирующем белок гентингтин, у человека будет больше 36 повторов CAG-триплета, то у него точно разовьется болезнь Гентингтона – вопрос только, когда именно и с каких симптомов начнется заболевание. Например, если обнаружено около 45 CAG-повторов, то в среднем у таких пациентов болезнь проявится в возрасте около 40 лет, однако разброс очень велик: для кого-то дебют может произойти в 20 лет, а для кого-то – в 60. Мы как раз учимся предсказывать на основе семейной истории и данных пациента дебют точнее.

— Но болезнь Гентингтона все равно остается неизлечимой.

— Сейчас да, но можно облегчать ее симптомы. Например, из-за психиатрической составляющей пациенты с болезнью Гентингтона могут быть склонны к суицидальному поведению. Как минимум раз в год они проходят беседу, во время которой врач обращает внимание на «красные флаги» – значимые, угрожающие события, например признаки повышенной опасности суицида. Если вовремя обнаружить такие особенности поведения,

то можно действовать превентивно, в том числе обратить внимание ухаживающих родственников. Однако врач далеко не всегда замечает эти «красные флаги», и предсказательные модели, которые мы строим, должны помочь ему быть точнее в прогнозах. Другая задача, связанная с болезнью Гентингтона, – это сравнение лекарственных препаратов: можно взять истории лечения разных пациентов и посмотреть, какой эффект оказывало

то или иное лекарство.

— Откуда вы берете клинические данные для анализа?

— Есть большой международный проект Enroll-HD с базой примерно на 6 тысяч пациентов, среди которых есть как манифестировавшие, так и люди с еще не проявившейся мутацией, а также большая контрольная группа здоровых людей. Мы сотрудничаем с ведущим исследователем этого проекта Бернхардом Ландвермайером (Bernhard Landwehrmeyer), а также с российским участником проекта – научным центром неврологии и, в частности, Юрием Селиверстовым. Вообще, задача с Гентигтоном – это такой классический случай анализа и, как сейчас говорят, майнинга данных: у вас в базе есть условный «Иванов», и для него имеется длинная-длинная строка разных клинических данных: результаты когнитивных тестов, результаты моторных тестов, какие лекарства и какими дозами он принимал, беседы с родственниками. И так – для большого количества пациентов.

Картина Питера Брейгеля Младшего «Пляска Святого Витта в Моленбеке». По мнению некоторых исследователей, на этой картине изображены люди, страдающие болезнью Гентингтона.

Картина Питера Брейгеля Младшего «Пляска Святого Витта в Моленбеке». По мнению некоторых исследователей, на этой картине изображены люди, страдающие болезнью Гентингтона.

— Какое второе направление вашей работы?

— Вторая история – это современные алгоритмы глубокого обучения на медицинских изображениях, для нас это снимки мозга человека разной модальности. Например, мы работаем со снимками мозга здоровых людей, пациентов с болезнью Альцгеймера и промежуточной стадией – умеренными когнитивными нарушениями. Болезнь Гентигтона – очень редкое заболевание, меньше одного случая на сто тысяч человек, а болезнь Альцгеймера появляется гораздо чаще. Если сложить все экономические затраты на лечение и потерянные по нетрудоспособности человеко-часы, тогда по оценкам Всемирной ассоциации по болезни Альцгеймера, эта сумма станет восемнадцатой экономикой мира. Соответственно, есть критичная даже в глобальных масштабах задача – предсказать развитие болезни и как можно раньше начать превентивное лечение. Сейчас появляются новые методы диагностики, например с использованием позитронно-эмиссионной томографии, но в России такой дорогой технологии пока нет. Возможна еще процедура с забором спинномозговой жидкости, но у нее тоже есть минусы: она слишком болезненная и тяжелая для людей в возрасте. Поэтому мы учимся предсказывать развитие Альцгеймера на основе различных изображений мозга: вот приходит к врачу МРТ-изображение (изображение, полученное с помощью магнитно-резонансной томографии – прим. «Чердака»), и хорошо бы, чтобы у него был алгоритм для автоматического распознавания стадии заболевания, а в идеале – оценивания вероятности ухудшения состояния. Это в чистом виде задача для алгоритмов глубокого машинного обучения.

— Получается, все сводится к задачам распознавания изображений?

— Да, но с некоторыми нюансами. К примеру, у нас недавно приняли работу, в которой студенты не только решали определенную задачу классификации стадий заболевания, но и визуализировали, куда именно смотрит нейронная сеточка на картинке, когда отличает болезнь Альцгеймера от нормального стареющего мозга. Это такая особенность медицинских задач: здесь пользователю важно понимать, почему алгоритм принимает то или иное решение. Есть очень много побочных вещей, связанных с предварительной обработкой медицинских изображений: в идеальном случае вы хотите работать только с изображениями мозга или, например, только серого вещества, а в реальности у вас есть только картинка всей головы целиком, и нужно еще отсегментировать интересные вам фрагменты. Есть и чисто структурные особенности изображений в медицинских задачах: в классическом распознавании образов работают с двумерными картинками, а у нас МРТ-изображения даже в самом простом случае – трехмерные массивы данных, а есть еще другие модальности, такие как функциональная МРТ (фМРТ) и диффузионно-тензорная МРТ (дМРТ).

— Какую информацию можно вытащить из этих изображений?

— На обычном структурном снимке МРТ мы можем видеть только серые области, так называемое серое вещество, про которое мы знаем, что это тела нейронов, и более светлые области – зоны, в которых проходят отростки нейронов, аксоны. И даже в самом хорошем МРТ снимке очень низкое пространственное разрешение: в одном вокселе (аналог пикселя в трехмерном пространстве – прим. «Чердака») могут быть десятки тысяч нейронов и, при этом, никакой информации о структуре их связей. С помощью дМРТ как раз пытаются «восстановить» направления крупных пучков нервных волокон – естественно, в силу низкого пространственного разрешения это тоже можно делать только косвенным образом, оценивая в каждом кубике изображения диффузию молекул воды в разных направлениях. Если в конкретном кубике белого вещества диффузия в определенном направлении ограничена – вероятно, там проходит тракт миелинизированных волокон. Соответственно, этот метод дает дополнительную информацию, которой обычный МРТ снимок не несет.

Есть еще третья модальность: фМРТ, в которой по притоку обогащенной кислородом крови можно косвенно измерять активности той или иной зоны мозга.

— Вы говорили еще про третье направление.

— Третья история у нас – про анализ мозга человека как единой сети, так называемого коннектома. Термин «коннектом» придумали в 2005 году по аналогии с геномом: геном – это совокупность всех генов в организме, а коннектом – совокупность всех связей между нейронами. У Себастьяна Сеунга (Sebastian Seung), активного исследователя в области коннектомики, есть прекрасная лекция на TED, где он несколько провокативно утверждает, что именно наш коннектом кодирует всю нашу личность. Но сейчас коннектом расшифрован только для очень маленького организма – червя C. elegans, у которого всего около 300 нейронов, для человека это пока невозможно. Просто для понимания масштабов бедствия: у Сеунга есть проект EyeWire – веб-игра, в которой волонтеры помогают ученым

по трехмерным срезам с микроскопа восстанавливать структуру связей между нейронами. Делают они это уже пять лет, занимаются только нейронами сетчатки глаза, и проект еще далеко не закончен. Так что получить полный коннектом человека в ближайшее время совершенно нереально.

— Но если нет коннектома, то как можно его анализировать?

— Можно картировать не отдельные нейроны, а какие-то достаточно крупные зоны мозга и дальше анализировать эти зоны и макроуровневые связи между ними как некую сеть. То есть построить граф, в котором вершины будут зонами мозга, а связи между ними – трактами нервных волокон, выделенных на основе дМРТ; или подключить фМРТ и смотреть, как активируется мозг – тогда ребрами графа станут уже корреляции временных рядов, описывающих активность различных зон. Похожими данными сейчас много занимаются в теории сложных сетей, network science. Сетевые структуры используются, например, при построении рекомендательных систем, при анализе сообществ в социальных сетях или для описания семантических связей между словами в лингвистике. Правда, в коннектомике немного другая постановка задачи: например, для социальной сети у вас есть один большой граф, в котором вершины-пользователи связаны, если они добавлены друг у друга в друзья, и вы хотите предложить человеку добавить нового друга, то есть создать новую связь внутри этого же графа. А у нас есть сразу большой набор графов, каждый из которых представляет мозг одного человека, и мы хотим их классифицировать, то есть для каждого графа предсказывать метку: 0 – мозг здорового человека, а 1 – например, мозг человека с шизофренией и так далее.

— Нейронные сети, пишут музыку и обыгрывают чемпионов мира в го. Алгоритмы, способны понять наши вкусы по нескольким постам в фейсбуке. Среди всех этих удивительных новостей об успеха data science очень редко появляется что-нибудь про медицину. Почему?

— Одна из главных причин – это наличие данных. Алгоритмы глубокого обучения, о которых вы говорите, стали активно развиваться, когда появились большие базы данных, на которых можно обучать модели. К примеру, алгоритмы распознавания изображений сегодня можно обучать на базе ImageNet, в которой около 14 миллионов размеченных картинок. В медицине таких объемов нет – собирать данные дорого и сложно. Чтобы понимать, что в медицине – даже не конкретно в нейронауках – считается большим набором данных: в ноябре 2016 года исследовательская группа Google опубликовала результаты огромного проекта по распознаванию диабетической ретинопатии с помощью глубокого обучения на основе изображений глаза, и в этом проекте модель учится на 130 000 аннотированных снимков. И это действительно очень большой датасет,

а вообще типичные масштабы медицинских данных – это сотни, максимум тысячи изображений.

— Как выходить из этой ситуации с дефицитом данных?

— Есть несколько подходов. Первый – это разнообразные коллаборации, которые объединяют усилия многих медицинских центров при аккумулировании данных. Например, есть проект ENIGMA, в котором более 500 исследователей из 35 стран собирают базу результатов нейровизуализации, а также другие типы данных для 12 психиатрических и нейродегенеративных заболеваний. Одних структурных снимков МРТ в этом проекте сейчас около 80000. Пока такого рода исследования неравномерно покрывают разные заболевания мозга и различаются по тому, какие именно данные собраны, но таких инициатив становится все больше.

С другой стороны, маленькие объемы данных заставляют думать в сторону алгоритмов так называемой аугментации данных. Это искусственное, синтетическое увеличение выборки, на которой будет обучаться модель,

за счет разных манипуляций – в случае с картинками это могут быть повороты, отражения, внесение шумов. Понятно, что с медицинскими изображениями такие трюки нужно применять очень аккуратно, но в этом направлении тоже возможны интересные решения.

— Как близко все это к клиническим применениям?

— Про это я уже немного говорила. Для клиники важно не просто сделать хороший алгоритм, хорошо бы еще понимать, на какие именно признаки

он опирается в своей работе. Это накладывает некоторые ограничения – важна интерпретируемость моделей. Тем более, что в медицине, речь чаще идет не о полностью автоматизированном принятии решений, а о разработке алгоритмов для поддержки решений живого врача. Для каких-то задач это сделать несколько проще – например, уже сегодня есть достаточно точные алгоритмы выделения новообразований на основе изображений,

но с диагностикой и прогнозированием течения нейродегенеративных и, особенно, психиатрических заболеваний все гораздо сложнее. Там до внедрения в клинику пока далеко. В этом смысле тем, кто идет в нашу область, нужно хорошо понимать, что идеальных условий для глубокого обучения

на больших данных у нас, по-видимому, в ближайшее время не будет. Но это не мешает уже сейчас разрабатывать алгоритмы для собираемых данных.

— Что еще нужно от студентов кроме моральной готовности к отложенным результатам?

— Мотивация, желание работать, все как обычно. И главное, да – понимание, что предсказательное моделирование на медицинских данных имеет свою специфику, о которой мы говорили выше. Мы можем научить машинному обучению, работе с глубокими нейронными сеточками, но наши задачи – это не различение кошечек и собачек и не аннотирование видео, например.

— Большие данные, нейронные сети, графы. Наверняка нужна еще серьезная математическая подготовка?

— Во-первых, мы сейчас все больше разбиваемся по направлениям и возникает такая естественная специализация: одни занимаются глубоким обучением на медицинских изображениях, другие сложными сетями.

Во-вторых, мы готовы к тому, что к нам попадают студенты с совершенно разным бэкграундом: кто-то уже хорошо программирует и, например, сам пробовал решать какие-то задачи с помощью нейронных сетей, а кто-то начинает изучать Python почти с нуля, но имеет, к примеру, сильную математическую подготовку. Это не проблема. Сейчас к нам приходят ребята из двух основных мест – бакалавриата МФТИ и магистратуры факультета компьютерных наук Высшей школы экономики, в этом году появились еще студенты магистратуры Сколтеха. Физтехи обычно уже очень много умеют

с точки зрения математики и алгоритмов, а студенты из Вышки гораздо разнородней по своим навыкам. Там есть ребята с совершенно разными историями: с матфака ВШЭ, с мехмата МГУ, из других университетов. Я сама закончила психфак МГУ, защитила кандидатскую диссертацию и какое-то время работала в академической психологии, но потом через магистерскую программу ВШЭ попала в ИППИ РАН.

— Психологическое прошлое помогает вам в работе?

— Помогает, да, но в каких-то самых общих вещах. Например, я по опыту психологических обзорных исследований понимаю, как могут быть устроены большие наборы тех же клинических данных и какие проблемы там могут возникать. Еще в чем-то, может быть, мне немного легче общаться со специалистами из предметной области, понимать формулировку задач на

их языке.

— А другим сотрудникам и новым студентам не мешает отсутствие психологического бэкграунда?

— Здесь важно понимать, что мы именно работаем с данными. Мы не можем сами из воздуха ставить задачу – все они возникают в сотрудничестве с различными медицинскими организациями или научными проектами.

Мы работаем с Научным центром неврологии, с Научным центром психического здоровья, с разными международными инициативами. Получаем от них задачи, уточняем их, проговариваем вместе, что именно интересно проверить на основе данных. Сами мы ни в коем случае не биологи и не врачи, наши компетенции совсем другие: мы занимаемся интересными и сложными задачами в области анализа данных и готовим алгоритмы для будущих медицинских применений. И это невероятно интересно!

Яэль Демедецкая


Источник: agingfree.org