Краснодарские разработчики создают программы медицинской диагностики на основе искусственного интеллекта

Алексан Халафян и Вера Акиньшина

Программы помогают врачам не ошибиться при выявлении диагноза у пациентов.

К применению методов ИИ (искусственного интеллекта) в медицине многие относятся со скепсисом. Но на самом деле существует довольно много задач, с которыми программы справляются гораздо быстрее и эффективнее самих врачей. Конечно, у таких систем нет медицинского образования, и они не умеют обращаться с пациентами, зато они могут решать более сложные задачи, например — эффективно работать с большими объемами данных.

Именно поэтому во многие больницы сейчас активно внедряют программы машинного обучения, которые призваны не заменить врачей, а только облегчить их работу.

Мы поговорили с доктором технических наук, профессором кафедры анализа данных и ИИ КубГУ Алексаном Халафян и доцентом той же кафедры, заместителем декана факультета компьютерных технологий и прикладной математики (ФКТиПМ) Верой Акиньшиной и разобрались, в каких сферах медицины более востребованы компьютерные программы и как они работают.

Алгоритмы кардиологии

Как утверждает Алексан Халафян, на данный момент можно выделить три направления в медицине, в которых методы ИИ активно применяются: диагностика заболеваний посредством обработки изображений, полученных рентгеновским аппаратом, КТ, МРТ и др.; создание новых лекарственных препаратов; прогнозирование по клинико-лабораторным показателям возможных состояний больных, исходов лечения заболеваний, диагнозов, осложнений и т.д.

Во всех трех направлениях применяется машинное обучение, которое состоит из методов и алгоритмов ИИ. В процессе решения задачи они самообучаются на данных, характеризующих больных.

При первом направлении (соответствующая область ИИ называется компьютерным зрением) алгоритмы учатся «видеть» и извлекать информацию из изображений, т.е. идентифицировать и классифицировать объекты;
Во втором направлении применяется глубокое машинное обучение, которое реализуется при помощи многослойных нейронных сетей со сложной математической структурой. Обучение происходит на данных больших объемов для выявления закономерностей и прогнозирования;
Третье направление предполагает применение методов классификации и регрессии машинного обучения.

— К тому же, все три направления успешно развиваются на нашем факультете, — добавила Вера Акиньшина.

Умная таблица

Для реализации методов машинного обучения необходимо, чтобы данные объектов (их еще называют обучающей выборкой) имели определенную структуру — были размеченными.

— То есть каждому объекту, наряду с характеризующими его признаками, должна быть присвоена выходная информация, определяющая его принадлежность к определенному классу. Представим себе такую ситуацию: врачу нужно выяснить, произойдет или нет отторжение трансплантата у больного, перенесшего пересадку органов. Обучающая выборка должна состоять из больных, у которых произошло отторжение трансплантата, и больных, у которых этого не произошло. Разметка данных состоит в том, что первые больные определяются как класс «да», вторые – «нет». В процессе обучения по клинико-лабораторным показателям и выходной информации больных из обучающей выборки создается математический образ этих классов, — отметил доктор технических наук Алексан Халафян.

Если нужно сделать прогноз для больного, перенесшего трансплантацию, проверяется соответствие его математического образа образу класса, и больного относят к тому классу, где большее соответствие, добавил эксперт.

— Соответствие может определяться различным способом, в зависимости от метода машинного обучения. Например, при помощи вероятности. Предположим, вероятность принадлежности больного к классу «да» – 0,3, к классу «нет» – 0,7. Тогда врач делает вывод, что отторжение трансплантата маловероятно. Если разработанная математическая модель обладает высокими прогностическими свойствами, то на ее основе пишется компьютерная программа, — рассказал профессор.

Результат неоспорим?

Назревает вопрос – может ли программа допустить ошибку?

— Может. Дело в том, что все прогнозы носят вероятностный характер. Достоверность предсказания зависит от многих факторов: репрезентативности обучающей выборки, ее структуры – признаков, характеризующих объекты, а также степени обученности модели и т.д. Поэтому в методах машинного обучения предусмотрена возможность проверки прогностических свойств разработанной модели на тестовой выборке – данных, отсутствующих в обучающей выборке, — подчеркнул Алексан Халафян.

Как отметил эксперт, «хорошая» программа ошибается в меньшей степени, чем человек. Конечно, из-за отсутствуя человеческого фактора.

— Как пример, работа рентгенологов. Она монотонна и рутинна. Врачи вынуждены весь рабочий день рассматривать на мониторе снимки в поиске возможных патологий. Из-за усталости они могут что-то не заметить и пропустить, а это что-то может сыграть большую роль при постановке диагноза. Компьютерные программы, напротив, уставать не могут, да и работают, обрабатывая большие массивы данных, значительно быстрее человека, — объяснил профессор.

— Мы создаем компьютерные программы для того, чтобы облегчить работу врачам, помочь им. Но окончательное решение всегда принимает именно врач, — заключила Вера Акиньшина.

Проекты-победители

Сами преподаватели ФКТиПМ Алексан Халафян и Вера Акиньшина являются одними из авторов проекта, связанного с применением методов ИИ в кардиологии. В сентябре этого года в Севастополе на XVIII Международном Салоне изобретений и новых технологий «Новое время» работа была удостоена серебряной медали.

— Проект выполнялся в тесном взаимодействии с практикующими врачами Краснодарской краевой клинической больницы №1: главным кардиологом Краснодарского края, заместителем главного врача по медицинской части Еленой Космачевой, заведующей кардиологическим отделением Зоей Татаринцевой, докторами Софьей Кручиновой, Лаурой Тхатль. Предлагаемая разработка содержит шесть программных продуктов, в которых использованы методы машинного обучения (нейронные сети, метод опорных векторов, деревья решений) для решения некоторых актуальных задач в кардиологии. Мы прогнозировали риски отторжения сердечного трансплантата, возможность появления осложнений, наступления летального исхода при определенных формах заболевания, — отметила доцент кафедры ФКТиПМ Вера Акиньшина.

Проект далеко не первый в практике преподавателей кафедры компьютерных технологий и ИИ. За плечами опытных разработчиков уже есть работы в области сердечно-сосудистой хирургии, гастроэнтерологии, стоматологии и ряда других направлений в медицине. Каждый продукт был создан ими совместно с ведущими докторами края на пользу российской медицины.