Российская нейросеть научилась находить признаки деменции на снимках мозга

Специалисты Новгородского государственного университета разработали нейросетевую модель под названием EfficientNet для выявления когнитивных нарушений на основе анализа магнитно-резонансных томограмм (МРТ) головного мозга. Прототип модели демонстрирует точность в 79% при дифференциации здоровых людей и пациентов с деменцией, как сообщил автор исследования Егор Фекличев.

Фекличев подчеркивает, что деменцию на ранних стадиях часто путают с возрастными изменениями, что приводит к задержке обращения за медицинской помощью. Разработка методик ранней диагностики когнитивных нарушений, включая использование искусственного интеллекта и анализ медицинских изображений, приобретает особую значимость. Внедрение подобных систем может существенно повысить эффективность выявления деменции на ранних стадиях.

По словам Фекличева, ранняя диагностика деменции представляет собой сложную задачу даже при использовании современного медицинского оборудования. В Новгородском государственном университете осуществляется обучение нейросетевой модели EfficientNet на основе данных МРТ-снимков мозга.

Значимость разработки

По данным Всемирной организации здравоохранения (ВОЗ), в 2021 году деменцией страдало около 57 миллионов человек, с ежегодным приростом приблизительно на 10 миллионов новых случаев. В Российской Федерации число пациентов с деменцией составляет около 2 миллионов, и к 2050 году прогнозируется увеличение этой цифры до 3–4 миллионов человек.

Для разработки прототипа были протестированы три нейросетевые модели: EfficientNet, VGG и ResNet. В качестве исходных данных использовались медицинские томограммы мозга из проекта OASIS, который включает снимки как здоровых людей, так и пациентов с различными стадиями деменции.

Проект OASIS состоит из нескольких наборов данных, различающихся по содержанию и целям исследований. Для обучения модели были использованы наборы OASIS-1 и OASIS-2. Первый набор включает МРТ-данные 416 человек в возрасте от 18 до 96 лет, среди которых пациенты с болезнью Альцгеймера на различных стадиях. Второй набор содержит повторные МРТ-снимки 150 пожилых людей в возрасте от 60 до 96 лет, а также результаты тестов MMSE (Mini-Mental State Examination) и CDR (Clinical Dementia Rating).

Модель анализировала трёхмерные МРТ-данные и обучалась выявлять закономерности, связанные с атрофией мозга, изменениями в височных долях, гиппокампе и расширением желудочковой системы, что часто сопутствует болезни Альцгеймера. Тесты MMSE и CDR применялись для клинической маркировки: нейросетевая модель сопоставляла выявленные на МРТ признаки с известными оценками когнитивного состояния пациентов.

После анализа снимков нейросетевая модель классифицировала пациентов по шкале CDR. Значение 0 указывает на отсутствие деменции, промежуточные значения свидетельствуют о сомнительном или лёгком когнитивном снижении, тогда как более высокие значения указывают на выраженную стадию заболевания. Таким образом, модель не только анализирует снимки, но и обучена выявлять закономерности, связанные с клинической оценкой состояния пациента.

Сравнительный анализ продемонстрировал, что модель EfficientNet демонстрирует наивысшую эффективность с точностью анализа 79%. Модели VGG и ResNet показали точность в диапазоне от 50% до 60%.