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.
Проект по развитию синтетических подходов к соединениям на основе селена, чтобы создать новые фунгицидные средства, стал победителем грантового конкурса РУДН.
Родиться в Танзании, удивить семью, решив стать геологом, и уехать изучать эту науку в Россию. Родиться в Нигерии в регионе, где овраги буквально разъедают землю, проходить обязательную Национальную молодёжную службу, где неожиданно узнать о РУДН и его возможностях — и поехать в Россию продолжать образование. Два аспиранта РУДН рассказали, как попали в университет и в чём Россия оказалась похожа на их страны.
Инженерия и технологии, науки о жизни и медицине, естественные и социальные науки, менеджмент — основные направления научного сотрудничества между учёными Российского университета дружбы народов и их африканскими коллегами.
Общий объём публикаций за 10 лет — 884 работы, при этом среднее число цитирований на публикацию — 44,23, что говорит о признании работ научным сообществом и их существенном влиянии на область исследований. Средний нормализованный индекс цитируемости (FWCI, он показывает, как цитируется статья относительно других публикаций в той же научной области) составляет 2,61. Это на 161% выше среднемирового значения.