Ученый РУДН назвал лучшую нейросеть для диагностики патологий мозга
Ученый РУДН назвал нейросети, которые помогут медикам интерпретировать результаты электроэнцефалограммы (ЭЭГ) и других анализов мозговой активности. Лучшая из них работает с почти 100% точностью, при этом не просто выдает результат, а объясняет, почему он получился именно таким.
Один из ключевых этапов в диагностике патологий мозга — нейроимиджинг. Это визуализация мозговой активности и тканей мозга с помощью КТ, рентгена, электроэнцефалограммы (ЭЭГ) и других методов. Интерпретацией результатов таких анализов занимаются специально обученные профессионалы. Но даже опытный глаз не всегда может сделать правильное заключение. Помочь в интерпретации может искусственный интеллект. Так как речь идет о тандеме врач-компьютер, а не о замене человека искусственным интеллектом, необходимы такие модели, которые не просто выдают результат, а могут «объяснить», почему он получился именно таким. Это свойство называют интерпретируемостью. Научный сотрудник РУДН с коллегами из Балтийского федерального университета подобрали лучшие модели, которые подойдут для этой цели.
«Искусственный интеллект в анализе биологических и медицинских данных — важное и активно исследуемое направление. Это касается и анализа медицинских изображений. Одним из центральных моментов тут остается интерпретируемость. Это важно для систем принятия решений, когда медицинский работник должен понимать и интерпретировать результат работы искусственного интеллекта. Поэтому важно разрабатывать различные подходы к нейровизуализации, которые поддаются интерпретации. Нашей целью было найти хорошую математическую модель для классификации состояний мозга с акцентом на интерпретируемость результатов», — Александр Храмов, доктор физико-математических наук, ведущий научный сотрудник Департамента транспорта РУДН, главный научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта БФУ имени И. Канта.
Для поиска лучших моделей исследователи использовали данные ЭЭГ, которые сняли у пациентов, когда они смотрели на разные изображения. Первое — известная картина «Мона Лиза», второе — оптическая иллюзия «Куб Неккера», на которой изображен простой каркас куба. Дело в том, что на рисунке не обозначено, какие грани находятся спереди, а какие — сзади. Человек обычно не замечает противоречия и интерпретирует картинку однозначно, а для компьютера эта задача не так проста. Поэтому куб Неккера используют для проверки компьютерных моделей человеческой системы восприятия. В эксперименте приняло участие пять человек. По полученным результатам ЭЭГ нейросеть должна была определить яркость изображения, которое видит человек. Кроме этого, с помощью специального алгоритма нейросеть выделяет конкретные параметры, которые повлияли на конечное решение модели.
Инженеры сравнили несколько моделей искусственных нейронных сетей. Лучшей оказалась модель с так называемым адаптивным градиентом Adagrad. Это способ оптимизации, который «настраивает» нейросеть с учетом частоты, с которой встречается тот или иной признак. Нейросеть с адаптивным градиентом позволила достичь точности модели в 92,9%.
«Лучшим методом оптимизации оказался Adagrad. Наши результаты помогут подобрать подходящие интерпретируемые методы машинного обучения для правильного обучения интерфейсов мозг-компьютер», — Александр Храмов.
Результаты опубликованы в журнале Mathematics.
Представьте себе мир, где у каждого есть достаточно еды, чистая вода, доступ к образованию и достойная работа. Мир, где берегут природу и заботятся о будущем нашей планеты. Это и есть цели устойчивого развития — построить устойчивое будущее для всех! Для этого Организация Объединенных Наций (ООН) в 2015 году определила 17 Целей устойчивого развития (ЦУР). ЦУР — это глобальный план, который помогает странам и людям вместе двигаться к лучшему будущему. К нему присоединились 193 государства-члена ООН.
Исследователи факультета искусственного интеллекта РУДН провели масштабное исследование, которое раскрыло системные ошибки больших языковых моделей (LLM) при диагностике депрессии по тексту. Эта работа, выполненная совместно с коллегами из AIRI, ФИЦ ИУ РАН, ИСП РАН, МФТИ и MBZUAI, не только выявляет проблему, но и закладывает основу для создания более надёжных и безопасных инструментов для детектирования депрессии и тревожности.
В РУДН состоялась первая научно-практическая конференция «Функциональная морфология тканевого микроокружения: от теории к практике», посвящённая памяти академика РАН Михаила Пальцева. Она объединила ведущих исследователей из России, Китая и других стран, став важной площадкой для обсуждения трансляции фундаментальных открытий в персонализированную медицину.