О применимости нейронных сетей в медико-биологической практике.

Широта и разнообразие задач, с которыми успешно справляются нейронные сети, порой поражает воображение: здесь и распознавание образов, и классификация изображений, и построение прогностических моделей, и семантический анализ текста. Задачи такого плана встречаются повсеместно: можно заставить нейронную сеть распознавать на фотографиях как лица, так и опухолевые клетки, предсказывать как грядущие котировки акций, так и динамику восстановления пациента после операции. В общем, как и следовало того ожидать, нейронные сети постепенно внедряются в область медицины и клеточной биологии, где их «умения» крайне востребованы.

Рассмотрим пример диагностики какого-либо патологического состояния. Тут может быть несколько походов. Первым делом на ум приходит исследование анамнеза пациента с последующей попыткой предсказать, насколько вероятно появление у него того или иного недуга. То есть нужно построить модель, способную на основе совокупности факторов предсказывать конечное состояние системы. Данные анамнеза можно комбинировать с результатами текущих анализов. Как вариант — взять у пациента кусочек ткани, запечатлеть его на микрофотографии и изучить её. Эти примеры мы и рассмотрим.

В последнем случае перед нами стоит задача бинарной классификации — отличить здоровую ткань от больной. Что, в принципе, помогает решить эту задачу? Рассуждая абстрактно, рецепт можно сформулировать следующим образом: необходимо выделить специфичные признаки патологии и выяснить их прогностическую значимость, то есть понять, какие их сочетания при какой степени их выраженности будут выдавать ответ «болен», а какие — «здоров». Очевидно, линейной моделью в данном случае не отделаешься.

И тогда на помощь приходят нейронные сети.

Одно из главных свойств всех нейронных сетей — это то, что они не программируются заранее, а самостоятельно обучаются, находя и запоминая закономерности в потоке входных данных. Конкретно свёрточные нейронные сети хороши тем, что в них нейроны входного слоя, сканируя картинку, умеют выделять специфичные признаки изображения — линии, градиенты… И на каждом слое создается пространство новых признаков. Так, например, швейцарско-австрийские учёные спроектировали нейросеть, которая справляется с классификацией гистологических препаратов колоректального рака на доброкачественный и злокачественный лучше, чем опытный специалист. Более того, при визуализации результатов работы нейронной сети оказалось, что в качестве предикторов она использовала характеристики не только самих раковых клеток, но и их клеточного окружения.

А если мы хотим избежать биопсии и сделать нашу диагностику менее инвазивной? В Университете Дьюка «живёт» трёхслойная нейронная сеть, которая на основании маммографических данных и возраста пациента способна отличить злокачественную опухоль молочной железы от доброкачественной с вероятностью 71%. До использования такой нейронной сети прийти к какому-либо выводу можно было только на основании биопсии.

Нейронные сети также заставляют искать промотеры, оценивать состояние сердечно-сосудистой системы по анализу ЭКГ, предсказывать действия химических соединений на основании их структуры и т.д. Всё это выглядит довольно удивительно: мы подаём нейронной сети непримечательные для нашего глаза данные, а на выходе получаем новую ценную информацию! Несомненно, спектр «умений» нейронной сети зависит от её структуры. Говоря о свёрточных нейронных сетях, мы уже вскользь затронули эту тему: данный вид нейросетей ввиду своей структуры подходит для решения задач классификации изображений, а например, рекуррентные нейронные сети, обладая обратной связью, хороши в работе с последовательной информацией (текстовой или аудио-визуальной). Тем не менее, эффективное проектирование нейронных сетей и подбор их оптимальной архитектуры всё ещё остаётся искусством, поэтому данная область знания — это огромное поле для исследования и новых открытий.

Источники:

arxiv.org/pdf/1511.06919.pdf

ncbi.nlm.nih.gov/pubmed/9122385

Источник: ncbi.nlm.nih.gov

Комментарии: