Искусственный интеллект сделали более прозрачным, научив создавать карту собственных мыслей

Затрудненный отток лимфы приводит к тяжелым отекам и воспалению конечностей. Исследователи научились выявлять ранние симптомы осложнения с помощью методов многофотонной микроскопии, компьютерного анализа изображений, используемого для распознавания лиц и машинного обучения.

«Такая патология, как лимфедема возникает вследствие нарушения оттока лимфы и закупорки лимфатических путей, – говорит заведующий лабораторией биофотоники, исполнительный директор Института биомедицины ТГУ Юрий Кистенев. –  Лимфедема бывает генетически обусловленной, но часто встречается приобретенная или вторичная форма. Она может развиваться под влиянием разных факторов, в том числе после хирургического вмешательства, например, у пациенток, перенесших радикальное лечение рака молочной железы».

Традиционно лимфедема оценивается, например, по изменению объема конечности. Для этого руку или ногу пациента помещают в жидкость. Такой подход обычно вызывает у пациентов дискомфорт, но главным его недостатком является то, что на ранней стадии заболевания он малоэффективен.

Заведующий лабораторией биофотоники, исполнительный директор Института биомедицины ТГУ Юрий Кистенев / ©Пресс-служба ТГУ

Ученые разработали новый способ. Он основан на том, что при развитии заболевания происходит трансформация поверхностей тканей и изменения структуры коллагена – самого распространенного белка в человеческом организме, который является основой всех тканей. Для выявления этих изменений используется инструментальный метод – многофотонная микроскопия, который позволяет исследовать ткани на межклеточном уровне in vivo без забора материала. Для оценки полученного изображения используются методы компьютерного анализа и машинного обучения.

«В этой работе мы использовали метод, который называют гистограммой ориентированных градиентов, – говорит Юрий Кистенев. – Этот метод появился сравнительно недавно и в настоящее время очень популярен при распознавании образов, включая распознавание лиц. Проблема заключалась в том, что в нашем случае необходимо различать не индивидуальные особенности тканей отдельного пациента, а характерные черты, свойственные группе лиц с лимфедемой. С помощью математического моделирования были подобраны параметры данного метода, которые позволили решить эту задачу».

Исследователи разработали прогнозную модель с использованием машинного обучения для диагностики лимфедемы. На тестовой выборке она показала точность около 95 процентов. Как отмечают ученые, диагностика лимфедемы на ранней стадии позволит врачам добиваться лучших результатов лечения.

Результаты исследований опубликованы в журнале Biomedical optics express (Q1). Статья Application of multiphoton imaging and machine learning to lymphedema tissue analysis была признана лучшей статьей выпуска. Проект реализован при поддержке гранта РФИИ и администрации Томской области.