Искусственный интеллект помогает распознавать переломы у лошадей на основе данных о травмах у людей

Переломы путового сустава являются одной из главных причин травматизма и смертности чистокровных верховых лошадей, создавая серьёзную угрозу их благополучию и карьере. Существующие методы диагностики, основанные на рентгенографии, часто ограничены качеством изображений и сложностью выявления незаметных повреждений, особенно у высокопородных животных в условиях стресса. Исследователи из Королевского ветеринарного колледжа (Великобритания) представили модель глубокого обучения, которая адаптирует достижения гуманной медицины для нужд ветеринарной ортопедии.

Основной задачей работы была разработка модульной системы ИИ для автоматизированного обнаружения переломов, способной работать в условиях дефицита специфических ветеринарных данных. Учёные стремились доказать, что использование трансферного обучения на базе крупных архивов медицинских снимков человека позволит разработать надёжный инструмент для диагностики травм у животных.

Подпишитесь прямо сейчас на наш телеграм-канал, чтобы следить за ветеринарными новостями.

Для создания устойчивой модели авторы использовали гибридную архитектуру, объединяющую возможности нейросети Vision Transformer в проведении анализа глобального контекста снимка и ResNet с целью детального извлечения локальных признаков. Процесс обучения проходил в несколько этапов: сначала систему тренировали на массивном наборе из 4088 рентгенограмм человеческих конечностей из открытых баз данных MURA и CheXpert, для того чтобы она научилась распознавать общие признаки переломов, такие как нарушение целостности кости. Затем модель была адаптирована под ветеринарные задачи с помощью дообучения на материалах 100 клинических случаев лошадей, включавших 628 рентгенограмм путового сустава, а также данные КТ и МРТ. На этом этапе в выборку входили как острые травмы, так и здоровые суставы или снимки с установленными хирургическими имплантами. Для того чтобы проверить универсальность алгоритма, его также протестировали на снимках 70 кошек, что позволило оценить точность диагностики при работе с другими анатомическими структурами и мелкими костями.

Разработанный алгоритм показал высокую эффективность на всех этапах анализа:

• Классификация модальностей: точность определения типа исследования (рентген, КТ или МРТ) составила 96,7%.
• Распознавание проекций: правильная идентификация вида проекции сустава достигла 97,2%.
• Локализация переломов: на тестовом наборе снимков лошадей точность локализации (медианный показатель IoU — пересечение предсказанной области с реальной) составила 0,84.
• Чувствительность: модель выявляла переломы с медианной чувствительностью от 84% до 92,3% в зависимости от источника изображений.
• Кросс-видовая эффективность: при работе со снимками кошек медиана IoU составила 0,74, а чувствительность — 87,6%, что подтвердило работоспособность метода для разных видов.
• Оперативность: время обработки одного изображения на графическом процессоре составило менее 0,5 секунды, что делает систему пригодной для быстрой сортировки пациентов в клиниках.

По мнению исследователей, применение трансферного обучения позволяет преодолеть проблему нехватки данных в ветеринарной медицине лошадей, обеспечивая точность диагностики, сопоставимую с результатами в гуманной медицине. Авторы подчёркивают, что адаптация модели под животных не ухудшила её способность распознавать переломы у людей, но значительно расширила возможности ветеринарных врачей. В перспективе этот подход может лечь в основу систем поддержки принятия решений, способствующих раннему выявлению травм и улучшению благополучия спортивных лошадей.

Источник: mdpi.com