| Разработчики: | |
| Дата премьеры системы: | октябрь 2018 г |
| Отрасли: | Фармацевтика, медицина, здравоохранение |
2018: Анонс и начало внедрения
12 октября 2018 года компания Google представила перспективное ИИ-решение для выявления рака молочной железы при оценке биопсии лимфатических узлов. Его уже начали использовать в Военно-морском медицинском центре Сан-Диего, исследователи которого также принимали участие в разработке технологии.
Точность обнаружения раковых метастазов системой под названием Lymph Node Assistant (LYNA) достигла 99%, что превосходит показатели специалистов-гистологов, которые в условиях ограниченного времени выявляют опухоль на окрашенном срезе только в 62% случаев. LYNA все еще неспособна различать степень развития метастаза и вид рака, что крайне важно для подбора лечения, однако ее способностей достаточно, чтобы принести огромную пользу специалистам.
LYNA основана на стэнфордской модели глубокого обучения Inception-v3 для распознавания изображений с открытым исходным кодом. Специалисты Google провели обучение нейросети по двум выборкам окрашенных срезов биопсии лимфоузлов - 399 изображений предоставил Медицинский центр университета Радбуд (Нидерланды), а еще 108 уникальных изображений – Медицинский центр Утрехтского университета (Утрехт, Нидерланды). Для непосредственного обучения нейросети использовались 270 из этих срезов (160 обычных, 110 с опухолями), остальные применялись для оценки.
В тестах LYNA достигла точности обнаружения опухолей 99,3%, точно идентифицировав все 40 метастазов без ложноотрицательных результатов. При этом на оценку LYNA не влияли такие артефакты, как пузырьки воздуха, плохая окраска и кровоизлияния.Обзор российского рынка банковской цифровизации: импортозамещение, искусственный интеллект и собственные экосистемы 
Система LYNA не идеальна — иногда она ошибочно принимала за опухоль гигантские клетки и лимфоциты, которые проникли в ткань из артериального русла, гистиоциты, - однако ИИ система сумела оценить одни и те же слайды лучше, чем практикующие гистологи, причем намного быстрее.
В будущем исследователи надеются улучшить специфичность данного диагностического метода.[1]
