Как используют нейросети в хирургии

Помощник хирурга

Как заменить рутинный ручной труд врача-хирурга на машинный? Например, при планировании эндопротезирования тазобедренного сустава. Таким вопросом задались сотрудники Научного центра информационных технологий и искусственного интеллекта Университета «Сириус», после того как к ним обратились за помощью врачи-ортопеды. Медики попросили создать систему, которая могла бы по рентгеновским снимкам предсказать анатомические ориентиры (головка бедренной кости, вертлужная впадина, ось вращения и центральная ось бедренной кости) и помочь спланировать хирургическое вмешательство, а также подобрать нужную для пациента модель протеза.

Бедренная кость — самая большая трубчатая кость в теле Фото: © Radiography visuals / Shutterstock / FOTODOM

«Самый распространённый побочный эффект этой операции связан с тем, что обычно хирурги, получив только рентгеновские данные, используют двумерную модель, которая не учитывает все анатомические особенности пациента. Наша модель сможет точно и быстро сделать все необходимые замеры ещё до операции и уменьшит время её планирования для хирурга. Система выделяет целевую область, бедренную и тазовую кости и определяет угол, под которым они расположены относительно друг друга, а также другие анатомические ориентиры для работы с протезом. Хирургам остаётся только вставить виртуальный имплант на место повреждённого сустава. Использование интеллектуальных систем анализа, упрощающих работу врача, уже зарекомендовало себя как рабочий инструмент», — рассказывает младший научный сотрудник Научного центра информационных технологий и искусственного интеллекта Университета «Сириус» Даниил Диц.

Получив запрос от врачей, учёные принялись за работу. Обучение нейросети для диагностических и прогностических медицинских задач отличается от работы, например, с ИИ, генерирующим изображения. Последний не разбирается в анатомии человека (поэтому на нейросетевых картинках у людей часто вырастает по шесть-семь пальцев на руке) и, если промтов мало, может нарисовать какого-то монстра. Так что алгоритм, который предстоит применять в здравоохранении, должен здраво оценивать состояние организма и понимать то, как он физически устроен.  

Для этих целей существуют нейросети, которые решают дифференциальные уравнения при помощи встраивания физических законов. Их проектируют особым образом, встраивая в классические алгоритмы задачи, на основе которых система может выдавать физические значения и решения. Например, для стандартных задач по гидродинамике, гемодинамике, теории упругости и биомеханике. Такие модели отличаются тем, что обучены на небольшой базе с неразмеченными данными (в отличие от того же ChatGPT). Информация, которая загружается в такие программы, кодируется особым образом: текст переводят в числа и обратно. Запустить подобную нейросеть может каждый, а вот разобраться в результатах — только специалист.

Большая часть высокоэффективных вычислительных методов разрабатывается при помощи  языка C++, а нейросети — Python Фото: © Trismegist san / Shutterstock / FOTODOM

При создании подобных алгоритмов за основу берутся классические архитектуры нейронных сетей, которые хорошо показали себя на практике. А дальше физика встраивается в элементы классического глубокого обучения. Вот ключевые элементы в этом процессе. 

1. Данные. Использование физически интерпретируемых переменных (например, энергии) является первым шагом к учёту физических законов. Кроме того, можно применять симуляционные данные или аугментации, сохраняющие физические свойства системы.
2. Архитектура. Архитектура нейросети может быть сконструирована с учётом математических ограничений, накладываемых физическими законами. Это позволяет получать функцию, которая гарантированно имеет необходимые свойства.
3. Функция потерь. Это один из ключевых способов интеграции физики. В алгоритме AlphaFold, к примеру, в функцию потерь включались штрафы за энергетически некорректные конфигурации. В нейросети PINN (например, уравнение баланса или теплопроводности) — в виде производных по входным переменным, рассчитываемых через автоматическое дифференцирование.
4. Метод оптимизации. Исследования показывают, что если встроить физические законы прямо в алгоритм оптимизации (например, добавив шаг проекции на допустимое множество), можно заметно ускорить обучение — то есть быстрее приблизиться к решению, которое минимизирует ошибку модели. Такой подход также делает обучение более устойчивым к шуму и нестабильности данных.

Проект AlphaFold — нейросеть от компании DeepMind, которая занимается предсказанием структуры белков и исследованием проблемы фолдинга. Программа позволяет предсказывать трёхмерную структуру белков на основе их аминокислотной последовательности, что важно для понимания функций белков и разработки лекарств. Подробнее о дизайне белков с помощью ИИ читайте в нашем материале.

#химия #Нобелевская премия

Нейросеть для дизайна белков: за что дали нобелевку по химии?

Читать

Математика сердца

Симулятор — это программа, которая анализирует данные пациента и на основе полученных результатов строит вычислительную модель, решающую разнообразные задачи. Например, симуляторы помогают планировать операции на аортальном клапане. Программа решает задачу, которая описывает сложную механику движения сердца, демонстрируя движение створок клапанов при прохождении через них потока крови, а также сокращения предсердия и желудочков. 

Операция на аорте — одна из сложнейших манипуляций с большим количеством осложнений. Обычно для замены клапана используют тканеинженерные конструкции из искусственных материалов или тканей животных. Сейчас российские учёные работают над моделью, которая поможет хирургам создавать аутоперикард — протез аортального клапана из собственной ткани перикарда пациента.

Патологии сердечного клапана распространены среди пожилых людей в возрасте от 70 лет Изображение: © Яна Алябьева / «Сириус(Журнал»

«Ранее в таких случаях делали операцию Росса, то есть выполняли замену аортального клапана лёгочным, так как он такой же по структуре. Но такая операция в два раза больше как по объёму, так и по рискам. Технология, которую мы применяем сейчас, выглядит очень оптимистично. Операции прошли хорошо, у пациентов со здоровьем всё в порядке», — отмечает директор Клиники факультетской хирургии им. Н. Н. Бурденко доктор медицинских наук Роман Комаров.

Операция Озаки — новый способ замены аортального клапана. Кардиохирурги берут у пациента фрагменты оболочки перикарда и создают из неё новый клапан, чтобы поместить его на место прошлого. Главная сложность — ограничение по времени. Нужно быстро выбрать подходящий размер нового клапана и создать его из ткани перикарда. 

Основная сложность операции Озаки — вырезать подходящий по размеру клапан. Команда Университета «Сириус» и Института вычислительной математики им. Г. И. Марчука РАН разработала метод, позволяющий решать задачу подбора геометрических размеров створки на основе компьютерной томографии сердца пациента. Модель учитывает индивидуальные особенности анатомии, линии пришивания створок, а также вариативность механических свойств обработанного аутоперикарда. Хирург может заранее (до рассечения аорты) подобрать нужную конфигурацию клапана, тем самым избегая неприятных осложнений во время операции и сокращая её время.

Когда операция проводится на открытом сердце, на счету каждая минута Фото: © Bilanol / Shutterstock / FOTODOM

У клапана из собственного перикарда есть ещё один плюс — при его использовании не образуются тромбы (как это бывает в случае с искусственным перикардом), а значит, не нужно всю жизнь принимать кроворазжижающие препараты. В целом после операции Озаки лекарств нужно значительно меньше, что значительно улучшает качество жизни и увеличивает её продолжительность. А еще аутоперикард стоек к биодеградации и отличается экономичностью благодаря использованию собственных тканей пациента без имплантата.

В лаборатории экспериментальной биомеханики Научно-технологического университета «Сириус» созданы системы для таких исследований, которые должны помочь врачам в предоперационном планировании. С помощью биомеханических экспериментов, персонализированных математических моделей диастолического состояния аортального клапана и передовых технологий создания графического интерфейса можно разработать универсальный медицинский инструмент.

«Наше направление находится на пересечении физики, машинного обучения, программирования, линейной алгебры и дифференциального исчисления. Важно глубоко понимать физику процесса: какие уравнения описывают систему, какие явления имеют значение и как всё это можно интегрировать в вычислительную модель. Необходимо уметь переводить наблюдаемые явления сначала на язык физики и математики, а затем — на язык кода», — объясняет Даниил. 

После этого вступает в игру «магия» машинного обучения — универсального аппроксиматора, способного при достаточной сложности архитектуры и продолжительности обучения приближать практически любые зависимости. В сочетании с аппаратом математического моделирования такой подход помогает, с одной стороны, выйти за рамки «чёрного ящика», а с другой — эффективно обрабатывать большие и сложные данные.