Машинное обучение помогло в ранней диагностике меланомы
Американские ученые применили цифровой анализ изображений и машинное обучение для автоматизированной ранней диагностики меланомы. Разработанная ими система смогла распознавать этот вид рака с 98-процентной чувствительностью. Результаты работы опубликованы в журнале Experimental Dermatology.
Меланома — это злокачественное новообразование из пигментных клеток, наиболее опасная форма рака кожи, которая ежегодно поражает более 200 тысяч человек, более 50 тысяч из которых умирают. При этом основным видом диагностики остается визуальный осмотр. Биопсия подозрительных новообразований подтверждает меланому в среднем лишь в 10 процентах случаев.
Чтобы унифицировать диагностику меланомы, сотрудники Рокфеллеровского университета с коллегами из других вузов проанализировали базу данных из 120 сложных для диагностики фотоснимков новообразований (60 меланом и 60 доброкачественных пигментных пятен, подтвержденных гистологически). С помощью различных компьютерных программ ученые отобрали 50 диагностических количественных параметров, отличающих меланому от пигментного пятна. Эти параметры включали размер, форму, соотношение цветов, симметричность и многие другие особенности снимка.
Наиболее значимые из этих параметров вошли в набор визуальных биомаркеров меланомы, который использовали для обучения 13 различных алгоритмов: их задачей было по соотношению параметров определить тип новообразования. Результат совместной работы этих алгоритмов выражался в виде количественной оценки (параметра Q) от 0 до 1. Чем больше значение этого параметра, тем выше вероятность того, что на снимке меланома.
В ходе эксперимента система смогла правильно определить меланому в 98 процентах случаев. Специфичность оказалась не такой высокой — диагностика доброкачественных образований была проведена верно лишь в 36 процентах случаев. Как пишут авторы работы, подобные показатели чувствительности и специфичности примерно соответствуют квалификации эксперта-дерматолога.
Если полученные результаты удастся воспроизвести в крупных клинических испытаниях, широкое использование разработанной системы может уменьшить число ненужных биопсий и повысить частоту ранней диагностики меланомы, пишут исследователи.
Ранее швейцарские ученые разработали оригинальный метод диагностики формы меланомы (что критично для выбора терапии) с использованием РНК/ДНК гибридизации и аналога атомно-силовой микроскопии.
Олег Лищук
Он предназначен для разгрузки грузовых полуприцепов и контейнеров
Японская компания Mujin, занимающаяся разработкой роботов для работы на складах и систем управления для них, показала работу своего робота TruckBot, предназначенного для разгрузки содержимого трейлеров и грузовых контейнеров. Видео доступно на YouTube-канале компании. Разгрузка содержимого автомобильных полуприцепов и грузовых контейнеров на складах и в логистических центрах может требовать довольно много времени, выступая в роли «бутылочного горлышка», из-за которого в цепочке поставок возникают задержки. Кроме того, зачастую эта физически изнурительная работа выполняется рабочим персоналом вручную, что может представлять угрозу для здоровья людей. Решением этих проблем мог бы стать робот TruckBot, который разрабатывается японской компанией Mujin. Основанная в 2011 году в Токио компания специализируется на создании роботов для складских и логистических работ, а также разработке систем управления для них. Робот TruckBot предназначен для разгрузки грузовых прицепов и контейнеров. Основной элемент его конструкции — подвижная грузовая стрела с транспортерными лентами и роликами наверху. Стрела может отклоняться по вертикали и горизонтали, а также двигаться вперед вместе с рамой робота, проникая вглубь разгружаемого грузового контейнера или прицепа на расстояние до 15 метров. Система управления определяет с помощью камер положение объекта в грузовом контейнере. После этого стрела подводится к объекту и с помощью вакуумных присосок захватывает, подтягивает и устанавливает его на транспортерную ленту. По ней груз попадает на конвейер, установленный позади робота, который перемещает его дальше, например, на сортировку. Таким образом TruckBot способен разгрузить 1000 единиц груза, каждый массой до 22 килограмм за час работы. TruckBot может работать самостоятельно или быть частью группы, состоящей из нескольких роботов разного назначения и конвейеров, объединенных в единую систему, предназначенную для разгрузки, погрузки, сортировки, паллетирования и депаллетирования грузов. Для управления этой системой служит другая разработка компании — система управления MujinController. Использование специализированных роботов, таких как TruckBot, разработанных для выполнения одной конкретной задачи, способно повысить эффективность работы. Однако, их установка может потребовать внесения изменений или даже перестройки помещений. Человекоподобные роботы, созданием которых в последнее время занимается все больше компаний, будут лишены такого недостатка. Благодаря своей антропоморфности они способны передвигаться по тем же помещениям и взаимодействовать с теми же инструментами, что и люди, без необходимости что-либо специально изменять. Например, недавно американская компания Apptronik представила раннюю версию человекоподобного робота Apollo для складской работы.