Ученые Центра искусственного интеллекта МГУ имени М.В.Ломоносова представил метод автоматического выявления патологий на компьютерной томографии без использования размеченных медицинских данных. Работа посвящена анализу КТ-изображений с помощью самообучающихся моделей, способных обнаруживать патологические изменения без предварительной разметки конкретных заболеваний. Исследование представлено на International Conference on Learning Representations 2026.
Современные системы анализа медицинских изображений обычно обучаются на размеченных наборах данных, где заранее указано, какие именно патологии должна находить модель. Однако такие данные ограничены: в большинстве медицинских наборов размечены лишь отдельные заболевания, тогда как другие патологические изменения остаются без аннотаций. Это затрудняет создание систем анализа медицинских изображений, способных работать с широким спектром патологий.
Авторы предложили рассматривать поиск патологий как задачу обнаружения аномалий. Метод основан на предположении, что патологические изменения встречаются значительно реже нормальных структур. Модель обучается определять участки изображения, статистически отличающиеся от нормальных структур компьютерной томографии.
Исследователи разработали систему Screener, которая использует методы самообучения для обработки медицинских изображений и изучает распределение признаков на уровне отдельных участков снимка. Для обучения модель использовала более 30 тысяч неразмеченных КТ-исследований. При этом на этапе предварительного обучения не использовались размеченные данные.
Метод тестировался на четырёх крупных наборах медицинских изображений, включающих 1820 КТ-исследований с различными патологиями, в том числе раком лёгких, пневмонией, опухолями печени и почек. По словам авторов, предложенный подход показал более высокую точность по сравнению с существующими методами сегментации аномалий на КТ-изображениях.
«Мы исследовали возможность выявления патологических изменений без использования размеченных медицинских данных. Такой подход позволяет обучать модели на больших массивах КТ-изображений и использовать статистические различия между нормальными и аномальными структурами», — рассказывает научный сотрудник Центра ИИ МГУ Марина Мунхоева.
Авторы отмечают, что разработанный подход может использоваться как инструмент предварительного анализа медицинских изображений, а также как подход для предварительного обучения моделей сегментации патологий.