Исследователи научили алгоритмы машинного обучения точнее определять химический состав камней в почках по данным о том, как они отражают свет в ближнем инфракрасном диапазоне. Раньше такой подход был недостаточно точным, поскольку стандартные математические модели очень плохо распознают камни с редким составом. Авторы сгенерировали 400 ближних инфракрасных спектров, неотличимых от тех, что характерны для редких почечных камней, тем самым решив проблему некачественного обучения алгоритмов из-за дисбаланса данных. Разработка поможет врачам заранее подбирать оптимальный способ удаления камней из почек и назначать пациентам подходящую диету во избежание рецидивов. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy.
Мочекаменная болезнь — одна из самых распространенных болезней почек, которая часто даже после успешного лечения возвращается в виде рецидива. Чтобы удалить камни с минимальными неудобствами для пациента, их дробят с помощью миниатюрного лазера, который вводят в почку через мочевыводящие пути. При этом интенсивность лазерной обработки нужно подбирать с учетом химического состава камней, потому что некоторые из них разбить гораздо сложнее, чем другие. Согласно исследованиям, чаще всего (примерно в 72% случаев) почечные камни состоят из оксалатов кальция (солей щавелевой кислоты), реже — из солей мочевой кислоты (ураты, 18%) или фосфорной кислоты (фосфаты, около 10%). Именно фосфатные камни представляют наибольшую проблему, так как требуют очень высокой энергии лазера для разрушения.
Однако до сих пор точно определить, из чего состоит почечный камень, можно было только после его извлечения хирургическим путем. Методы, не требующие вмешательства, например, спектроскопия в ближней инфракрасной области (метод, при котором определяют химический состав вещества по тому, как оно отражает свет) были недостаточно точны. Это связано с тем, что камни разных составов встречаются с разной частотой, и специалистам не удавалось качественно обучить алгоритмы интерпретировать результаты анализа.
Исследователи из Санкт-Петербургского государственного университета (Санкт-Петербург), Университета ИТМО (Санкт-Петербург) и Военно-медицинской академии имени С.М. Кирова (Санкт-Петербург) решили проблему несбалансированности данных с помощью генеративно-состязательной нейросети.
Это архитектура искусственного интеллекта, в которой две нейросети соревнуются друг с другом: одна — генератор — создает новые данные (в данном случае — инфракрасные спектры), а вторая пытается отличить такую подделку от реальных образцов. Чем лучше вторая сеть находит подделки, тем более реалистичные спектры вынуждена создавать первая. В итоге генератор учится находить мельчайшие закономерности, присущие спектрам редких камней, и начинает создавать синтетические данные, неотличимые от настоящих.
Именно это позволило авторам исследования создать недостающий набор данных для редких фосфатных почечных камней, на который будут опираться математические алгоритмы при оценке химического состава камня по его спектру. Всего ученые сгенерировали 400 таких спектров.
Затем исследователи добавили полученные синтетические данные к реальной обучающей выборке и использовали их для тренировки метода опорных векторов — классического алгоритма машинного обучения. Этот алгоритм разделял камни на три класса: состоящие из соли щавелевой кислоты, мочевой или фосфорной. Оказалось, что добавление сгенерированных нейросетью данных позволило поднять точность распознавания редких фосфатных камней на 5–10%, а полноту (способность системы не пропускать такие камни) — на 10–20%.
«Наша разработка позволит хирургу мгновенно определять состав почечных камней прямо в теле пациента и настраивать оборудование для их дробления с учетом полученных данных. Это сделает процедуру быстрее, безопаснее и эффективнее. Кроме того, врачи смогут сразу в день операции назначить больным правильную диету и лечение, снижая риск рецидивов. В дальнейшем мы планируем обучать алгоритмы на спектрах архивных мочевых камней и использовать эти модели для распознавания состава камней, извлеченных в ходе реальных операций», — рассказывает основной исполнитель проекта, поддержанного грантом РНФ, Екатерина Бойченко, кандидат технических наук, научный сотрудник кафедры аналитической химии Института химии СПбГУ.
Ранее ученые создали «спектрофотометр в кювете» — компактное устройство в виде небольшой прямоугольной емкости с прозрачными стенками, которое позволяет анализировать химический состав помещенного в него раствора. Кювета сделана из материала, содержащего люминесцентные частицы, поэтому для анализа нужно всего лишь посветить на ее дно фонариком. В зависимости от содержания исследуемого вещества в растворе свечение будет разной интенсивности.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
