Диагностика рака языка на основе медицинских изображений полости рта

На данный момент есть некоторое количество работ, посвященных диагностике поражений полости рта по медицинским изображениям, однако используемые в этих исследованиях модели либо не находятся в свободном доступе, либо фокусируются на диагностике иных заболеваний полости рта, например, потенциально злокачественных поражений, либо требуют специфические изображения на вход: сделанные эндоскопом или цифровой стоматологической камерой. Таким образом, наблюдается потребность в системе диагностики непосредственно рака языка. Цель работы — разработать и обучить модель классификации изображений полости рта для диагностики рака языка, способную распознавать рак на уровне специалиста, лучше, чем с этим может справиться обычный терапевт. В сравнении с другими работами, занимающимися решением подобной проблемы, мы собрали самую большую выборку для обучения модели и использовали фотографии языка в различных ракурсах, что значительно повысило обобщающую способность модели. Также мы предложили использование авторской архитектуры модели классификатора, позволяющей при сравнительно небольшом наборе данных эффективно извлекать признаки из изображений: она заключается в сегментации изображения до классификации и выделении исключительно области языка. Таким образом, научная новизна работы заключается в использовании оригинального набора данных, для которого впервые были разработаны требования к качеству и ракурсам фотографий ротовой полости для диагностики рака языка, а также в применении специфических подходов к обучению искусственного интеллекта. Итоговая модель показала высокие результаты: Accuracy 95%, Специфичность 87%, Чувствительность 98%, ROC AUC 0.97, которые сопоставимы по качеству с диагностикой врача-онколога и выше, чем у врача общей практики. Разработанная система классификации медицинских изображений может служить первым этапом диагностики заболевания, позволяя быстро получить оценку состояния языка и рекомендацию к посещению специалиста, в случае, если модель выявляет повышенную вероятность злокачественного новообразования. В перспективе модель может дать возможность диагностировать заболевание на более ранних стадиях, что положительно скажется на прогнозе выживаемости, а также позволит оптимизировать процессы скрининга в клинической практике. У нашей модели есть потенциал для развития: во-первых, можно продолжать совершенствовать имеющуюся модель, в частности, работать над уменьшением количества ложноположительных срабатываний, во-вторых, есть возможность протестировать другие архитектуры классификаторов, при условии улучшения имеющихся вычислительных ресурсов, в-третьих, при расширении датасета фотографиями иных поражений (воспалительные процессы, доброкачественные новообразования, предраковые заболевания и др.) классификатор можно сделать многоклассовым, однако для этого нужно достаточно большое количество данных со стороны медицинских работников.