Решение для диагностики заболеваний
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.
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.
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
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
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)

Решение: сегментация и детектирование
  • Размеченный набор изображений для обучения моделей
    Необходимо 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 результата
    В таких задачах мы используем либо нейронные сети сегментации или детектирования. Часто лучший результат достигается при комбинировании подходов.
  • Модель предсказывает потенциально опасные области на новых изображениях
    На выходе модели мы имеем области с повышенной вероятностью содержания «аномалии» или чистое изображение без таких зон
Риски модельные и ситуативные
применения AI
  • -1-
    Precision
    Precision 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-
    Recall
    Recall — это какой процент всех пациентов, больных пневмонией обнаружит модель (обратный к этому процент — сколько пациентов, больных пневмонией модель разметит как здоровых)
  • -3-
    Точность оценки
    Наше 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 случаи
    Случаются 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
  • 1
    Анализ
    Сравнение с качеством классификации выполняемой врачом
  • 2
    Системный подход
    Стандартизация оборудования и снимков
  • 3
    Контроль
    Постоянный контроль точности моделей и стандартизация моделей
  • 4
    Интеграция
    Доверие 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
Контакты
+7 (967) 215-75-05
contact_us@datastudio.digital