Рак печени — шестой по распространенности вид рака в мире и одна из главных причин смерти от онкологии. Точное определение границ опухоли на снимках критически важно для лечения, но ручная разметка, которую делают рентгенологи, отнимает много времени, и результаты сильно зависят от опыта специалиста. Искусственный интеллект изменил подход к анализу опухолей: нейросети находят и обводят их на снимках, определяя форму, размер и расположение. Но у таких моделей есть серьезный минус — им нужно огромное количество данных (обычно от 1000 до 10 000 случаев). Это главное препятствие для медицинского ИИ.

Группа ученых из Токийского института науки под руководством профессора Кендзи Судзуки и аспирантки Юцяо Ян разработала прорывную модель, которая точно выделяет опухоли печени на КТ-снимках даже при обучении на очень маленьких наборах данных — и превосходит существующие аналоги. Их исследование опубликовано в журнале IEEE Access.

Ключевая инновация — архитектура MHP-Net  (многоуровневая нейросеть на основе патчей с фильтрацией Гессе). Вместо обработки всего изображения сразу модель разбивает его на маленькие 3D-блоки и анализирует их по отдельности. Каждый блок исходного КТ-снимка дополняется улучшенной версией с помощью фильтра Гессе, который подчеркивает округлые объекты, например опухоли. В итоге получается детальная карта границ новообразования.

Фильтрация Гессе — метод усиления изображения, который выделяет объекты сферической формы (например, опухоли) за счет анализа изменения яркости пикселей в разных направлениях.

Для оценки точности использовали Dice-коэффициент  (шкала от 0 до 1, где 1 — идеальное совпадение с разметкой врачей).

Даже на миниатюрных обучающих выборках — 7, 14 и 28 опухолей — мы получили Dice 0.691, 0.709 и 0.719 соответственно, — говорит Судзуки. — Это выше, чем у U-Net, Res U-Net и HDense-U-Net.

Модель легкая: обучение занимает меньше 10 минут, а анализ одного пациента — около 4 секунд. Это позволяет использовать ее даже в клиниках со слабым оборудованием.

«MHP-Net открывает путь для ИИ, работающего на малых данных, — объясняет Судзуки. — Такие решения пригодятся и для редких видов рака».

Исследование доказывает, что ИИ в медицине может обходиться без гигантских датасетов. Это особенно важно для небольших больниц с ограниченными ресурсами. В будущем команда планирует адаптировать модель для других задач.

Польза исследования

• Снижение барьеров для внедрения ИИ: Больницы, особенно в регионах или странах с низким уровнем ресурсов, смогут использовать точные инструменты анализа без необходимости собирать тысячи снимков.
• Ускорение диагностики: 4 секунды на пациента — это почти реальное время, что критично при экстренных случаях.
• Поддержка редких заболеваний: Для опухолей, где мало данных (например, детская онкология), такие модели — спасение.

Отметим, что исследователи не уточнили, как модель поведет себя на неконтрастных КТ  (без специального красителя), которые дешевле и чаще применяются в скрининге. Если MHP-Net требует контраста, ее применение сузится.

Ранее ученые открыли новый метод лечения фиброза печени.