Специалисты Университета Иннополис создали новый метод анализа раковой опухоли

В Университете Иннополис, созданная ими модель на базе искусственного интеллекта позволяет диагностировать рак молочной железы с точностью до 99,72 % и при этом требует минимальных вычислительных ресурсов.

Для построения системы компьютерной диагностики исследователи объединили две эффективные компактные нейросети — SqueezeNet и ShuffleNet. Такой подход обеспечил высокую точность выявления патологий без применения ресурсоёмких моделей, типичных для современных ИИ‑систем.

По словам ведущего программиста‑математика Исследовательского центра в сфере ИИ Университета Иннополис Дмитрия Каплуна, классические решения для компьютерной диагностики, использующие трансформеры и глубокие ансамбли, отличаются высокой точностью, но предъявляют серьёзные требования к вычислительным мощностям — это затрудняет их внедрение в медучреждениях с ограниченными техническими возможностями. Разработанное решение использует пару лёгких, но высокоточных нейросетей, работающих совместно. Ключевым элементом стала схема взаимного гейтинга: она даёт сетям возможность обмениваться данными, выделяя значимые диагностические маркеры и подавляя помехи. Благодаря этому система демонстрирует высокую результативность даже при анализе сложных гистологических изображений — её можно эффективно применять, к примеру, в районных больницах или на мобильных платформах.

Гистологические снимки представляют собой цифровые изображения, получаемые из предметных стёкол, которые изначально исследуют под микроскопом. Для оцифровки применяют специализированный сканер — роботизированный микроскоп с камерой: он последовательно сканирует стекло и собирает отдельные фрагменты в целостную цифровую картину.

Экспериментальная проверка модели проводилась на двух международных наборах гистопатологических изображений рака груди. Результаты показали, что система определяет нормальную и доброкачественную ткани, а также нулевую и агрессивную стадии заболевания с точностью 97 %. На тех же данных удалось достичь 99 % точности в выявлении самого факта наличия рака. При тестировании на эталонной коллекции снимков с 100‑кратным увеличением — наиболее распространённом тестовом наборе в гистопатологии — алгоритм продемонстрировал точность 99,72 %.