Решение для диагностики заболеваний
на основе AI
на основе AI
Автоматическое выявление аномалий на рентгеновских снимках, компьютерных томограммах и маммограммах с помощью методов распознавания изображений
Первый шаг на пути лечения – правильно исследовать рентгеновский снимок и заметить аномалии на нем.
С внедрением технологии искусственного интеллекта нейросеть будет определять аномалии на медицинских снимках пациентов, подобный метод можно применять для анализа медицинских снимков различных видов.
С внедрением технологии искусственного интеллекта нейросеть будет определять аномалии на медицинских снимках пациентов, подобный метод можно применять для анализа медицинских снимков различных видов.
Разработка продукта
1
Рентгеноскопия применяется для диагностики широкого спектра заболеваний и повреждений:
повреждения легких (пневмония, раковые заболевания), переломы и иные повреждения костей,
часть диагностики работы системы пищеварения и много чего другого.
повреждения легких (пневмония, раковые заболевания), переломы и иные повреждения костей,
часть диагностики работы системы пищеварения и много чего другого.
2
Сфера искусственного интеллекта в последние годы сильно продвинулась вперед, особенно
в использовании нейронных сетей для решения разного рода задач визуального анализа,
и Россия не исключение
в использовании нейронных сетей для решения разного рода задач визуального анализа,
и Россия не исключение
3
Соответственно, возникла идея применить AI к области распознавания изображений там, где и врачи занимаются распознаванием изображений, а именно к анализу снимков и, для начала, рентгеновских снимков.
4
Как результат - создание
ИТ-продуктов по распознаванию «аномалий» на рентгеновских снимках при помощи AI
ИТ-продуктов по распознаванию «аномалий» на рентгеновских снимках при помощи AI
Метод решения - подготовленный датасет с разметкой облатей снимка на предмет наличия патологии
Задача - определить наличие различных патологий на рентгеновских снимках, томограммах и маммограммах.
Задача для алгоритма - научиться кодировать изображения таким образом, чтобы кодирование снимков с патологией было сильно отличимое от кодирования снимков без патологий.
Для этого мы используем нейронные сети и предварительную разметку изображений (областей на снимке и бинарную разметку)
Задача для алгоритма - научиться кодировать изображения таким образом, чтобы кодирование снимков с патологией было сильно отличимое от кодирования снимков без патологий.
Для этого мы используем нейронные сети и предварительную разметку изображений (областей на снимке и бинарную разметку)
Решение: сегментация и детектирование
Размеченный набор изображений для обучения моделейНеобходимо большое количество размеченных под конкретную проблему детектирования данных, содержащая в себе как снимки с «аномалиями», так и нормальные снимки.- Обучение различных типов нейронных сетей для достижения лучшего результатаВ таких задачах мы используем либо нейронные сети сегментации или детектирования. Часто лучший результат достигается при комбинировании подходов.
- Модель предсказывает потенциально опасные области на новых изображенияхНа выходе модели мы имеем области с повышенной вероятностью содержания «аномалии» или чистое изображение без таких зон
Риски модельные и ситуативные
применения AI
применения AI
- -1-PrecisionPrecision это какой процент из тех пациентов, которых модель определила, как больных пневмонией, действительно больны пневмонией (и соответственно, какой обратный к этому процент врачи, таким образом, будут по ошибке лечить не от той болезни).
- -2-RecallRecall — это какой процент всех пациентов, больных пневмонией обнаружит модель (обратный к этому процент — сколько пациентов, больных пневмонией модель разметит как здоровых)
- -3-Точность оценкиНаше решение по распознаванию пневмонии на рентгеновских снимках достигает precision = 0.82 и recall = 0.94. Чтобы понять, достаточна ли такая точность, необходимо провести дополнительные исследования среди врачей и посчитать точность их решений.
- -4-Непредвиденные случаиСлучаются постоянно в практике использования машинного обучения. Это те тестовые примеры, которых мы не видели при обучении. Зная область исследований, необходимо максимально обезопасить себя от таких случаев, так как модель может неверно определить их как заболевание.
Потенциал частичного и полного внедрения AI
- "Советник врача"- Второе мнение приведет к увеличению
точности диагностики
- Контроль рисков при расхождении мнения AI и врача
- Решение проблемы недоверия со стороны общества - "Замена врача"- Решение проблемы недостатка персонала
- Стандартизация качества
медицинского обслуживания
- Исчезновение человеческого фактора
Вызовы при внедрении AI
- 1АнализСравнение с качеством классификации выполняемой врачом
- 2Системный подходСтандартизация оборудования и снимков
- 3КонтрольПостоянный контроль точности моделей и стандартизация моделей
- 4ИнтеграцияДоверие со стороны персонала и общества
Мы разрабатываем передовые решения на основе нейронных сетей с 2016 года
Экономический эффект сотрудничества с нами —
десятки тысяч долларов в день
десятки тысяч долларов в день
Контакты
+7 (967) 215-75-05
contact_us@datastudio.digital
contact_us@datastudio.digital