Два научных сотрудника из Центра системной биологии (Center for Systems Biology) при Массачусетской больнице общего профиля (Massachusetts General Hospital) — Мэтью Леминг (Matthew Leming) и Хёнсун Им (Hyungsoon Im) — представили в журнале «Alzheimer’s & Dementia» свежее исследование, которое может серьёзно изменить подход к диагностике нейродегенеративных заболеваний. В основе — нейросеть, обученная на реальных снимках мозга десятков тысяч пациентов. Ставка — не просто распознавать деменцию, а делать это раньше, чем появятся клинические симптомы.
Методология с уклоном в реальность
Здесь нет стерильных лабораторных выборок и искусственно идеальных условий. Учёные взяли то, что есть «в поле» — архив из 308 тысяч 3D-снимков головного мозга от 17 тысяч человек, накопленных за 20 лет в системе Mass General Brigham. Там вперемешку всё: МРТ T1, T2, КТ, ПЭТ, снимки в разном качестве и даже случаи, где у пациента только один томографический снимок за всю историю наблюдений. Иногда — десятки.
«В реальной практике данные неполные, разнородные, а диагнозы не всегда очевидны. ИИ должен уметь работать именно в таких условиях», — подчёркивает Мэтью Леминг (Matthew Leming).
Что пытались выяснить?
Первый вопрос, на который хотели ответить исследователи: можно ли в принципе научить алгоритм ориентироваться в этом хаосе и делать адекватные предсказания — например, с какой вероятностью у человека развивается сосудистая деменция или болезнь Альцгеймера?
А второй — возможно ли так «перенастроить» модель, чтобы она не велась на второстепенные ассоциации (возраст, место обследования), а цеплялась только за действительно значимые признаки — форму, структуру, объём мозговых отделов.
Под капотом: как это работает?
На первый взгляд — это просто ещё одна нейросеть. Но на деле всё хитрее. Исследователи вдохновлялись архитектурой языковых моделей (по типу GPT), позволив алгоритму работать с переменным количеством изображений — от одного до четырнадцати.
Чтобы избежать предвзятости, в модель встроили механизмы, «отключающие» внимание от нерелевантных факторов. Упор — на мозговые структуры, а не, скажем, возраст пациента или марку сканера.
Что получилось?
Точность оказалась на удивление высокой. Для сосудистой деменции, болезни Альцгеймера, болезни Леви, паркинсонизма и лёгких когнитивных нарушений AUC (то есть площадь под ROC-кривой) — выше 0.84. Для непосвящённых: 1.0 — это идеальная точность, 0.5 — не лучше подбрасывания монетки.
А вот рассеянный склероз и эпилепсию алгоритм распознать пока не сумел — тут нужно что-то другое.
Оказалось, что нейросеть в первую очередь фокусируется на размере и симметрии подкорковых структур мозга — и делает это по-разному в зависимости от типа патологии. Где-то критичен левый полушарий, где-то правый.
А теперь главное: это сработало не только «у себя дома»
Хотя алгоритм обучался исключительно на базе данных Массачусетской больницы общего профиля (Massachusetts General Hospital), его тестировали на других площадках — включая Больницу Бригхэма и женщин (Brigham and Women’s Hospital). И там он тоже не спасовал.
И куда всё это движется?
Пока — в сторону масштабирования. Авторы планируют тестировать метод на ещё больших выборках. Но куда интереснее другое: можно ли будет применять такую модель не просто для диагностики, а чтобы предсказывать, как пойдёт заболевание и как пациент отреагирует на лечение?
Хёнсун Им (Hyungsoon Im) подчёркивает: «Если ИИ сможет не только ставить диагноз, но и прогнозировать течение болезни — это уже совсем другой уровень медицины. Мы туда и стремимся».
Подводим итоги
ИИ в медицине — тема избитая. Но тут есть отличие: попытка честно и бескомпромиссно разобраться, работает ли модель не на идеальных снимках, а на настоящем, «грязном» клиническом материале. И, судя по результатам, — да, работает.
Теперь бы ещё объяснить, почему она принимает те или иные решения. Но это уже совсем другая история.
Литература:
Matthew Leming et al, Differential dementia detection from multimodal brain images in a real‐world dataset, Alzheimer’s & Dementia (2025). DOI: 10.1002/alz.70362
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики ООО «ВеронаМед» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей.
E-mail для связи – xuslan@yandex.ru;
