Разработка методов переноса обучения и доменной адаптации моделей в системах анализа нейровизуализационных данных для прогнозирования и диагностики в персонализированной медицине

Прогресс в технологиях сканирования и в вычислительной технике позволяет получать и использовать в широкой клинической практике результаты сканирования (медицинские изображения, нейровизуализационные данные) для выявления патологических изменений и принятия врачебных решений. Значительные трудозатраты ручного рентгенологического исследования и необходимость высоких требований к квалификации и опыту врача-рентгенолога обуславливают актуальность проблемы создания системы автоматизированного анализа нейровизуализационных данных методами искусственного интеллекта (интеллектуального анализа данных, машинного обучения, анализа изображений) для поддержки процесса рентгенологического исследования, повышающих результативность и качество такого исследования. Однако, существующие универсальные методы искусственного интеллекта, используемые при исследовании нейровизуализационных изображений и выявления патологий, не учитывают ряд их особенностей, в силу чего их эффективность может оказаться недостаточной для клинических приложений. Одной из наиболее важных особенностей мультимодальных нейровизуализационных изображений, критичной для использования методов машинного обучения, является «неоднородность» обучающей выборки и «будущих» изображений, к которым будет применяться разработанная модель: такие данные могут быть получены на разных типах сканеров (например, томографах), с использованием различных протоколов и параметров сканирования, и т.д.; в терминологии машинного обучения — данные получены из разных «областей определения», «доменов». Поэтому модели машинного обучения, построенные по обучающей выборке, состоящей из изображений, полученных из одного домена (при одном конкретном протоколе, режиме сканирования и на конкретном сканере), теряют свою предсказательную способность на изображениях из других доменов. Эта проблема актуальна для всей области моделирования и машинного обучения, но особенно критична в области анализа медицинских изображений, в связи как с трудностью построения моделей на «однородных» данных (практически невозможно собрать большие выборки данных из одного домена), так и необходимостью иметь одновременно большое количество моделей для различных доменов. Для решения описанной проблемы активно разрабатываются статистические, инженерные и нейросетевые подходы, называемые доменной адаптацией (domain adaptation), переносом обучения (transfer learning), выявление независимых от домена признаков и др. Однако, имеющиеся достаточно универсальные методы и алгоритмы не учитывают, как правило, особенности данных и характера неоднородности данных из различных доменов. Целью проводимого диссертационного исследования является разработка новых методов и алгоритмов анализа данных и машинного обучения для задач переноса обучения и доменной адаптации, учитывающих особенности нейровизуализационных изображений и конкретных моделей неоднородности доменов. Эти методы касаются преобразования данных для обучения, преобразования построенных моделей машинного обучения и поиска независимых от домена (определенной выборки) характеристик и основаны на методах компьютерного зрения, формализованных под особенности нейровизуализационных изображений (2D и 3D изображений мозга, полученных при различных режимах сканирования и на разных сканерах). Создаваемые методы и алгоритмы будут тестироваться на данных мультимодальной магнитно-резонансной и компьютерной томографии мозга. Актуальность научного проекта определяется необходимостью развития новых методов анализа данных машинного обучения в новых, появившихся в последние годы, направлениях, связанных с задачами переноса и доменной адаптации при построении предсказательных моделей по данным с разными областями определения. Рассматриваемая научная проблема мотивирована практическими медицинскими проблемами, возникающими в клинической практике при анализе медицинских нейровизуализационных изображений. Тем самым, тематика проекта актуальна для направления развития передовых цифровых интеллектуальных технологий и создания систем обработки больших объемов мультимодальных данных нейровизуализации, основанных на методах машинного обучения и искусственного интеллекта, и их использования для создания компьютерных систем поддержки медицинских решений. Практическая эффективность разрабатываемых методов и алгоритмов будет проверена при их использовании в конкретной научно-практической медицинской разработке (создание средств автоматического обнаружения и локализации пространственных патологических паттернов в компьютерных изображениях мозга), ведущихся в Сколтехе вместе с ведущими национальными медицинскими центрами. Планируемые результаты проекта будут содержать новые решения конкретных актуальных научных задач анализа данных и машинного обучения, учитывающих специфику обрабатываемых нейровизуализационных изображений, должны преодолеть ряд существенных ограничений, присущих большинству существующих методов исследования в области тематики проекта, а также обеспечить решение нескольких конкретных научно-практических медицинских задач, включая задачи выявления пространственных патологических паттернов в компьютерных изображениях мозга.