Студенты Вологодского госуниверситета обучают нейросеть распознавать рак легких на ранней стадии

Инновационный проект команда студентов Института математики, естественных и компьютерных наук Вологодского госуниверситета представила на Всероссийской выставке научно-технического творчества, которая проходит в рамках Международного форума «Молодые исследователи — регионам» в Вологде.

Студенты Павел Смирнов, Елизавета Шувалова и Сергей Смекалов проводили исследование под руководством кандидата технических наук, доцента кафедры автоматики и вычислительной техники ИМЕиКН Георгия Рапакова. Суть проекта — обучить нейросеть распознавать на снимках злокачественные новообразования, а также классифицировать рак легких.

« Инициативную разработку студенты ВоГУ собираются предложить Департаменту здравоохранения Вологодской области. Надеюсь, наш проект найдет отклик у специалистов и вместе мы сможем обсудить возможности использования нейросетевого подхода и методов искусственного интеллекта в работе учреждений здравоохранения города и области », — отметил Георгий Рапаков.

Одна из проблем, на решение которой и направлено исследование, это позднее выявление рака легких. В общей структуре заболеваемости онкологией среди населения Вологодской области рак легких составляет 10,1 %. Этот вид онкологии также составляет наибольший удельный вес в смертности населения Вологодской области — 17,4 %.

Метод распознавания рака легких, от которого отталкиваются студенты ВоГУ, — это традиционная обработка изображений нейросетью.

« Специализированные источники сети Интернет позволили собрать базу данных из 22 000 изображений, классифицированных в соответствии с требованиями Международной классификации болезней. Из них 17 тысяч снимков были использованы для обучения нейросети, а 5 тысяч — для тестирования. В результате нейронная сеть сможет распознать разные виды злокачественных новообразований и отличать здоровые легкие от пораженных заболеванием », — рассказал студент Сергей Смекалов.

« В результате сравнительного анализа мы выбрали нейросеть EfficientNet B7 как компромиссное решение с точки зрения качества распознавания, скорости обработки и аппаратных требований. Точность классификации на тестовой выборке составила от 67 до 95 %, что считается приемлемым значением для предварительного диагноза. Окончательное решение всегда остается за специалистом и может потребовать дополнительной диагностики », — считает студент Павел Смирнов.

В дальнейшем студенты планируют улучшить показатели за счет расширения набора данных и привлечения новых методов искусственного интеллекта.