CC BY
58
|q| нвучно-првитичасий журнал
ПЭУКЭ
i/i инновации
ъс <
О
CL
Сегодня нейронаука претендует на то, чтобы стать ведущей наукой двадцать первого века.
Эва Гесс, Генрих Ёкайт. (Из книги «Нейро-капитализм»)
Нейронаука включает в себя ряд областей, среди которых можно отметить нейробио-логию, нейроинженерию, нейроинформати-ку, нейрофизиологию, нейровизуализацию, нейрохирургию, нейроиммуноэндокриноло-гию, нейрофармакологию и пр. В самом молодом подразделении Объединенного института проблем информатики НАН Беларуси - лаборатории анализа биомедицинских изображений на протяжении 10 лет ведется разработка методов и программных средств обработки, анализа и распознавания медицинских изображений. О перспективах нейронауки рассказывает заведующий лабораторией, кандидат технических наук Василий КОВАЛЕВ.
У термина «нейронаука» есть несколько интерпретаций. Первая, классическая, идущая из медицинской области: нейронаука изучает структурно-функциональные особенности головного мозга, в том числе нейродегенеративные заболевания, такие как деменция, болезни Альцгеймера, Дауна, Паркинсо-на, Хантингтона. Вторая, связанная с высшей нервной деятельностью, исследованием того, как организован и функционирует мозг. Революционизируют эти области знаний современные лечебно-диагностические и когнитивные технологии:
магнитно-резонансная анатомическая, позитронно-эмиссионная, функциональная магнитно-резонансная томографии и пр. Важно отметить, что томографическое изображение получают в цифровой форме. Новые методы исследований позволяют наблюдать за активностью мозга человека в режиме реального времени, за способностью нервной системы обучаться и исправлять ошибки. По аналогии с работой мозга ученые пытаются построить информационно-математические модели с тем, чтобы создать искусственный интеллект для решения разного рода практических задач, в том числе в области медицины.
- Василий Алексеевич, о нейронных сетях известно давно. Почему о них громко заговорили только в последние годы?
- Наши знания в области построения искусственных нейронных сетей базировались в основном на гипотезах и исключительно на результатах фундаментальных исследований. В начале 80-х гг. прошлого века они были перенесены в прикладную сферу. Реализация электронного варианта мозга стала возможной только благодаря технологиям создания мемристора, или нового нейрочипа. Принцип работы последнего очень похож на особенности функционирования головного мозга. Такие чипы могут стать
«сердцем» компьютеров новой архитектуры, идеально подходящих для создания систем искусственного интеллекта различного уровня. Технологии мемристоров предусматривают не только хранение информации, подобно ячейкам обычной памяти, но и обработку, что делает их похожими на человеческие нейроны в большей степени, чем любой другой электронный компонент.
- Можно ли говорить о том, что мы постепенно входим в эпоху умных машин, умеющих рисовать, петь, генерировать тексты и даже ставить медицинский диагноз? Стоит ли человеку опасаться искусственного интеллекта?
- Мы прошли этап, когда нейронные сети были одним из способов решения задач распознавания и классификации данных, не имеющих отношения к мыслительной деятельности. Это не искусственный интеллект, а один из так называемых классификаторов.
Вторая эпоха, в которую вступил мир в 2010-х гг., началась под влиянием успехов массового конструирования нейронных сетей нового типа, так называемых сверточных. Они в значительной степени ориентированы на анализ и распознавание цифровых изображений.
НЕЙРОНАУКИ
Эта область привлекла серьезное внимание ученых и инженеров, инвесторов, благодаря чему мы пользуемся результатами их труда в обыденной жизни, в том числе -на основе использования огромного количества изображений и видео, создаваемых современными девайсами. Есть и более профессиональное применение сверточ-ных нейронных сетей, к примеру для решения задач распознавания лиц, идентификации, секьюрити, доступности. Еще одна довольно обширная область их применения - медицина. С помощью разного рода медицинских изображений -от простых рентгеновских снимков до трехмерных УЗИ, цифровой рентгенографии, компьютерной томографии, многослойных, объемных, трехмерных снимков - ставится много диагнозов. Этот активно развивающийся информативный метод в сочетании с компьютерными технологиями дал толчок к решению задач нового уровня - автоматизации процессов работы врача с полученными изображениями и возможностью их интерпретации.
Заверения некоторых разработчиков о том, что их программы устроены как человеческий мозг, не более чем аллегория. Настоящие ученые, профессионально изучающие головной мозг, воспринимают такие высказывания с иронией, подчеркивая то, как мало пока человек знает о нем и еще меньше о том, почему и как он мыслит. Тем не менее проекты по исследованию головного мозга открыты в Евросоюзе, США, и исчисляются они миллиардами долларов. Правда, есть немало интересных экспериментальных разработок, свидетельствующих о том, что мир близок к их массовому применению.
Так, с помощью обычной камеры и методов воздействия на визуальный нерв невидящий человек начинает различать свет, белое и черное. Больших успехов ученые добились в области лечения больных, страдающих от необратимой потери слуха. Есть примеры, когда в мозг паралитика внедряется чип, позволяющий ему «силой мысли» управлять телевизором, компьютером или другими подключенными устройствами, взаимодействуя таким образом с внешним миром. Людям, потерявшим конечности, ставят управляемые бионические протезы, так что они могут совершать разнообразные движения, получая большую степень свободы.
Когда искусственный интеллект достигнет такого уровня развития, что сможет безошибочно ставить диагнозы и давать рекомендации по лечению, неизвестно, да и допустимо ли? Пока же он способен только помогать медицинским работникам.
Научное сообщество сегодня спорит о сроках появления умных машин, но все ученые едины в одном: развитие технологий окажет колоссальное влияние на общество, экономику и отношения между людьми в будущем. Уже сейчас раздаются призывы обдумать этические принципы разработки искусственного интеллекта, удостоверившись в том, что он развивается в безопасном для людей направлении.
Относительно страхов можно сказать, что искусственный интеллект не настолько умен, ему недостает автономной возможности думать. Потребуется как минимум полвека, пока произойдут какие-то радикальные открытия в этой части. Хотя грань между работой или задачей, выполненной человеком и ма-
шиной, постепенно стирается, и порой бывает сложно определить, кто находится «за стеной» - так называемый тест Тьюринга - человеческий индивид или работ с искусственным интеллектом. Собственно, нет пока и критериев, позволяющих понять, что внутри машины зародилось сознание.
В то же время технологии искусственного интеллекта могут сильно помочь в совершенствовании принципов лечения различных заболеваний. Так, ряд ученых работает над тем, чтобы с помощью машин создавать виртуальные модели каждого пациента, тем самым прогнозируя ход того или иного заболевания с учетом его генетических и возрастных особенностей. Помимо этого они смогут предсказать появление заболеваний в будущем, что позволит незамедлительно начать профилактическое лечение.
- Вы занимаетесь машинным обучением, а есть еще и глубинное, или глубокое, обучение. Существует ли между ними разница?
- Машинное обучение - родовое понятие. Это наука, которая занимается разработкой алгоритмов для решения задач распознавательного, классификационного типа. Обучение заключается в том, что программе задаются определенные данные. К примеру, имеется сто изображений больной печени и столько же - здоровой. С помощью алгоритма выявляются признаки, которые отличают одну печень от другой. Мы не пытаемся научить машину видеть по-человечески, а поставляем ей нужные исходные данные для извлечения характерных признаков. Благодаря высокой вычислительной мощности она определяет нор-
му и патологию. Это задача классификационного рода. Таких алгоритмов и методов разработано
довольно много, они создавались не один год, но лишь теперь зародилось так называемое глубинное, или глубокое, обучение. В русскоязычной терминологии встречаются оба определения. Речь идет о решении вычислительноемких оптимизационных задач, которые ранее были не под силу даже человеку, теперь же они успешно выполняются компьютерами. Некоторые специалисты говорят, что в процессе задействован искусственный интеллект. На самом деле при таком обучении интеллекта как такового нет. Впрочем, где грань? Раз компьютер умеет определять, какой орган больной, а какой здоровый, значит, у него есть какие-то зародыши интеллекта.
- Нейронные сети - лишь один из классификаторов и методов решения задач на основе обучения. Были ли раньше подобного рода идеи?
- Это не новация современности, просто недоставало соответствующих технических возможностей. Понятия «искусственный нейрон» и «нейронная сеть» зародились в середине прошлого века, а попытки смоделировать работу мозга предпринимались ранее, и не раз. Собственно, идея сверточ-ных сетей известна в виде модели персептрона, автором которой был нейрофизиолог Фрэнк Розенблатт, предложивший схему устройства, моделирующего процесс человеческого восприятия, и назвал его персептроном. В 1960 г. он, по существу, представил первый нейрокомпьютер. В основе персептрона лежит математическая модель вос-
приятия информации мозгом. В самом общем виде система состояла из трех разных типов элементов: сенсоров, ассоциативных и реагирующих блоков. Однако развитие и практическое воплощение этих идей стало возможным только теперь, когда обучение происходит в виде решения оптимизационных задач, поиска многих значений и параметров.
- Почему такое название -«сверточные»?
- Они очень похожи на обычные нейронные сети, также построены на основе нейронов, обладают изменяющимся весом и смещениями. Нейронные сети получают входные данные, после чего трансформируют информацию, проводя ее через ряд скрытых слоев, фильтров. Каждый из них состоит из множества нейронов, имеющих устойчивую связь с другими в предыдущем слое, но при этом они полностью независимы друг от друга и не имеют общих соединений. В итоге сверточ-ная часть извлекает информативные признаки изучаемых классов. Последний полносвязный слой решает собственно задачу классификации на основе выделенных признаков входных изображений. То есть происходит стандартная операция нейронных сетей, когда участки цифрового изображения поэлементно помножаются на заданную матрицу чисел или фильтров. Эта матрица чисел не задается заранее, а получается в результате решения оптимизационной задачи путем усеченного перебора всех возможных конфигураций весов фильтров.
- Могут ли нейронные сети генерировать новое - то, чего не было в данных?
- Система создает новое только в пределах заданных значений. Это задача классификационная - найти различающиеся и характерные признаки. Речь идет о двух выборках. В медицинской практике экспертов мало, их время стоит дорого, и оно ограничено. Уже есть примеры, когда диагностика по определенным видам заболеваний по изображениям в определенных условиях для определенных типов медицинской аппаратуры, скажем, по компьютерной томографии или рентгеновским снимкам, передана на «аутсорсинг» умным приборам. Накоплены и аннотированы наборы,обучены нейронные сети, решающие задачи лучше специалистов. Однако важна обратная сторона медали: в дополнение к мощным аналитическим методам нужно огромное количество фактических данных. Без них машину ничему не научишь.
- Василий Алексеевич, каковы интересы вашей лаборатории?
- Мы видим свою роль в том, чтобы, используя созданные компьютерные программы, которые позволят получать диагностические изображения в трехмерной графике, в режиме анимации, модифицировать и иметь скрытые и ранее недоступные детальному анализу структуры и функции исследуемых органов, попытаться помочь врачам с ранним выявлением заболеваний. Известно, что одна из самых важных и вместе с тем сложных задач - своевременная диагностика рака легкого. Это коварное заболевание, первые симптомы которого - недомогание, потеря аппетита, незначительное покашливание - не вызывают беспокойства у человека, он попросту не обращает на них внимания. И получается,
НЕЙРОНАУКИ
что свыше 90% людей обращается к врачам тогда, когда уже ничего нельзя сделать. Мы обрабатываем томографические изображения легкого и в своей работе столкнулись с двумя уровнями задач. Для того чтобы обучить сеть, необходимо огромное количество изображений легкого, причем не только пораженных, но и здоровых. Хотя компьютерная томография помогает выявить болезнь даже на самых ранних стадиях, всех людей через томограф не пропустишь. Процесс получения медицинских изображений сложен. Где взять полмиллиона картинок? А если они редкие? Их вообще не накопишь никогда. В нашей команде есть специалисты,которые пытаются решить эту задачу в некоем смысле с обратной стороны - не классификацией, а генерацией изображений, которые трудно отличить от настоящих. Это очень интересная работа. Берутся две нейронные сети, так называемые состязательные, где одна создает изображение, а вторая распознает его, выявляя подлинные и сгенерированные. Таким образом, оптимизируются свертки так, что они достигают какого-то баланса, паритета. Это аналогия балансного решения в теории игр.
- Как все-таки решается задача формирования аннотированных данных?
- Чтобы сделать их по-настоящему рабочими, нужно на чем-то учиться, а это самая трудная вещь. Онкология - настолько серьезное заболевание, что вызвало к жизни новую форму сотрудничества людей, которые, объединив свои усилия и ресурсы, пытаются создать и аннотировать наборы подобных изображений, и не только легких.
В гистологии, а это золотой стандарт диагностики рака мягких тканей, они уже практически сформированы. По их распознаванию, то есть по выделению метастазов, проводятся международные соревнования. Побеждают методы, основанные на использовании нейронных сетей. Подобный виртуальный конкурс был инициирован США по раку легкого с призовым фондом в миллион долларов. Мы, к сожалению, в нем не участвовали, зато попробовали свои силы в проекте по диагностике метастазов рака груди,организованном Голландией. Задача состояла в том, чтобы научить алгоритмы предсказывать степень агрессивности опухоли, то есть найти коэффициент скорости деления клеток. Все команды-участники должны были проанализировать 500 полнослайдовых изображений опухолевой ткани рака груди. Эти снимки предоставила страна -организатор конкурса. Надо сказать, что разработанный нами алгоритм ранней диагностики рака с использованием глубинного обучения и нейросетей вошел в мировой топ-4.
- С какими трудностями приходится сталкиваться в процессе вашей работы?
- Нас беспокоит проблема исходных данных - где их брать. С одной стороны, реальные томографические снимки действительно высокоэффективны в диагностике заболеваний, а с другой - они трудно накапливаются. Поэтому люди пытаются как-то объединиться, аннотировать свои наборы. Однако в данной сфере это особенно сложно, потому что для томографии используются разные
диагностические приборы, и даже у схожих различные технические характеристики. В мире порядка 30-40 компаний, выпускающих томографы, а единых стандартов нет. Так что сравнивать, к примеру, изображения мозга, полученные у нас и в США, достаточно трудно, а научить машину - и подавно. Бывают затруднения иного рода, связанные с совместимостью данных, когда врачи не могут их использовать полностью, поскольку эта информация находится в разных базах и форматах. То есть необходима стандартизация цифровых изображений, а далее - и протоколов лечения. Поисками ответов на такие вопросы должны заниматься технические эксперты, представители онкологических сообществ и высококвалифицированные врачи.
- Расскажите, пожалуйста, о последних разработках лаборатории, успехах и перспективах.
- Одна из задач, которые мы решаем,- обнаружение новообразований в легком на основе компьютерных томографических изображений. Мы намерены разработать и предложить здравоохранению лечебно-диагностические медицинские информационные системы, которые могут стать хорошим помощником врачу. С их помощью специалист получит дополнительные сведения для принятия верного решения. У нас был проект с онкологами по ме-ланоме. У многих людей есть не-вусы - новообразования, которые бывают как добро-, так и злокачественными. Необходима методика, позволяющая выявлять вероятность заболевания у того или иного поциента, это принесет избавление от лишних тревог как ему,
так и врачу. С другой стороны, мы живем в реальном мире - нельзя взять здорового человека и провести его через сто разных консилиумов, просветить разными томографами. В данном случае важно «второе мнение», особенно когда мы имеем дело с изучением томографического изображения. В кооперации с врачами применяемые нами подходы глубокого обучения позволяют размечать проблемные снимки. Сейчас мы обучаем сети. Автоматизация - вещь серьезная. Мы должны помочь врачу и подсказать человеку, стоит ли ему проходить дополнительные обследования или нет. У какой-то части людей бывают, к примеру, проблемы врожденные или приобретенные, а он об этом не знает, и с возрастом они могут обостриться. Благодаря нашим усилиям пациент получит больше знаний о себе и своем организме, больше возможностей для профилактики болезней.
Кровеносные сосуды - еще один блок, которым мы интересуемся. Активно пытаемся поставить первый эксперимент по автоматической классификации патологий аорты, сейчас находимся в поисках партнеров для данного проекта. Есть много других задач, например автоматическое выделение отдельного органа на общем компьютерном томографическом изображении.
- То есть речь идет о том, чтобы сегментировать, к примеру, легкое из полного томографического снимка, убрав все лишнее, а оставив только нужное? Как в известном высказывании Ми-келанджело о скульптуре: «искусство, которое осуществляется в силу убавления».
- Чтобы получить желаемое, надо убрать лишнее. Программы используются разные: одна выделяет нужный нам орган, сегментирует его, а вторая выявляет норму и патологию. И если с нормой вопрос решается более-менее просто, то с нарушениями все обстоит архисложно, ведь вариаций масса, стандартных ситуаций нет. А все они требуют решения. Кроме того, и в процессе взаимодействия со специалистами возникают недопонимания. Нам трудно донести до них суть распознавания. Технически мы должны четко знать, что есть что, и только потом использовать метод исключения.
- Кроме проблемы наличия и доступности информации есть и этическая, связанная с законностью использования данных. Каким вам видится ее решение?
- В любой стране, и наша не исключение, действуют законы защиты данных. Хотя, на мой взгляд, проблема преувеличена. Глядя на медицинское изображение, нельзя установить, кому оно принадлежит. К тому же вся личная информация немедленно вымарывается, ее физически нет. Снимок ничего не говорит ни о поле, ни о возрасте человека, ни о том, где он живет. Тем не менее тема очень чувствительная, и потому надо искать варианты, при которых мы могли бы иметь базы данных и по ним учить студентов. Модель сгенерированных изображений, а не реальных людей может стать хорошим пособием при подготовке специалистов. Можно создать огромный атлас с множеством иллюстраций, и тогда этический вопрос отпадет.
- Кто потенциальный потребитель ваших разработок?
- Нам бы очень хотелось, чтобы это было Министерство здравоохранения, но пока, к сожалению, этого не происходит. Есть надежда, что его позиция в этом вопросе изменится, ведь то, чем мы занимаемся, активно развивается во всем мире. А вложив в нашу разработку немного денег, страна могла бы продвигать ее за рубежом и получать немалые выгоды.
- В чем вы видите свою задачу?
- Наша цель - помочь врачу своевременно выявлять признаки заболевания, интерпретировать результаты анализов. Мы ожидаем, что со временем наши 1Т-решения будут интегрированы в Интернет вещей. Это позволит высокоинтеллектуальным системам использовать при диагностике не только информацию, полученную с помощью клинических анализов, но и данные от «умных устройств», таких как «умные» часы, кровати, освещение и т.д. В результате у нас, а значит и у искусственного интеллекта, над которым трудятся ученые, появится большее количество дополнительных маркеров для проведения исследований. Это позволит распознавать заболевания еще на ранней стадии, а также улучшить здоровье и физическое состояние пользователей. Более того, расширятся возможности лечения пациента вне поликлиники.
Жанна КОМАРОВА
