Доклад HPC Park на IX отраслевом форуме по телемедицине

1 декабря 2023 года сотрудники HPC Park посетили IX отраслевой форум по телемедицине, цифровизации здравоохранения и инвестициям в медицину «Телемедфорум 2023/Цифровая медицина», который прошел в Москве, в технопарке «Сколково». На форуме рассматривались актуальные вопросы цифровизации здравоохранения и применения технологий искусственного интеллекта.

Основатель компании Максим Дудкин выступил с докладом, рассказав о повышении эффективности диагностики на примере продукта наших партнеров Care Mentor AI – комплексной платформы для анализа медицинских изображений с использованием искусственного интеллекта. Участники мероприятия узнали о том, как проходило обучение модели на нашей облачной платформе HPC Park Cloud Service и каких результатов достигли.

Care Mentor AI был выделен доступ к грантовым ресурсам HPC Park на один месяц – для проверки задачи машинного обучения с серверными GPU. Партнерам было предоставлено 2 ускорителя Nvidia Tesla A100 и 2 ТБ хранилища. В результате обучения/дообучения модели распознавания рентгенограмм (органов грудной клетки) добились повышения качества (ROC AUC – процент вероятности точности модели) и добавили пять новых патологий к уже имеющимся восьми.

Максим отметил, что история успеха стоила 0 рублей, так как клиент достиг результатов уже на этапе тест-драйва – они усовершенствовали свой продукт и уже получили регистрационное удостоверение, так как любой проект в медицинском секторе подлежит обязательной сертификации.

Затем, чтобы погрузить публику в контекст, Максим поведал об этапах разработки ИИ в лучевой диагностике.

Итак, в создании искусственного интеллекта для медицинского анализа патологий используется многоступенчатый процесс, направленный на эффективное выявление и диагностику заболеваний. Начиная с фазы медицинского анализа, где определены более 40 патологий на компьютерных томографиях (КТ), стратегический выбор делается в пользу наиболее распространенных и социально важных, таких как туберкулез, пневмония, переломы и другие.

Затем следует этап сбора исследований, где проводится аккуратная кураторская работа врачей по классификации исследований с учетом предыдущего анализа. Эти исследования объединяются и хранятся в соответствующих папках, создавая базу данных, насчитывающую десятки тысяч изображений для каждого типа патологии.

На следующем этапе Data Science специалисты разрабатывают ядро ИИ, которое будет обучаться на собранных данных. Для обучения используется метод разметки исследований, где ИИ учится определять тип патологии.

Следующие этапы включают в себя подготовку валидационного дата-сета, обучение ИИ на части общего объема данных, и прогон через валидационный дата-сет для сбора метрик, таких как точность и специфичность, а также площадь под ROC-кривой (AUC ROC). Важно подчеркнуть, что процесс итеративен, и коррекции в ядре ИИ вносятся на каждом этапе, пока не достигнуты требуемые метрики качества.

Наконец, после успешного завершения этапов обучения и коррекции, ядро ИИ оборачивается в готовый продукт. Тем не менее, прежде чем начинать коммерциализацию, необходимо пройти процедуру получения регистрационного удостоверения на медицинское изделие. Этот важный этап обеспечивает соответствие законодательству и свидетельство того, что технические и клинические испытания пройдены.

После получения регистрационного удостоверения наступает момент перехода к коммерциализации продукта. Интеграция ИИ в лучевой диагностике – это интеграция в PACS сервер, который является каталогизатором и маршрутизирует исследования.

Спикер подытожил рассказ об этапах разработки ИИ, кратким описанием двух уникальных серий продуктов CareMentor AI, которые и являются результатами интеллектуального анализа искусственными интеллектом.

Первая серия представляет собой визуальную разметку исследования. На фронтальном изображении рентгена ИИ выделяет контуры зон для дальнейшей работы, определяет тип патологии и создает новую серию исследований, оставляя основную (базовую) серию нетронутой.

Вторая серия – отчет о работе ИИ, где в текстовой форме указываются обнаруженные ИИ патологии и их вероятности в данном исследовании.

В конечном счете врач сравнивает результаты визуального анализа с текстовым отчетом, а после подтверждения и согласования результатов, вставляет сгенерированный системой отчет в свой собственный документ. Это позволяет быстро и точно передавать информацию о выявленных патологиях и их степени вероятности в медицинскую документацию.

В итоге, с точки зрения работы медицинских специалистов, данные решения помогают оптимизировать временные затраты. Игры контрастности и яркости теперь выполняются автоматически, поскольку ИИ заранее выделяет зоны с потенциально целевыми патологиями. И хотя время, затраченное на процесс диагностики снимков, увеличивается, – это компенсируется эффективностью в дальнейшем применении системы. Если ранее врачу требовалось потратить три минуты на анализ здорового пациента и четыре минуты на пациента с патологией, то после нововведений на анализ снимков без патологий затрачивается около минуты, тогда как на анализ пациента с обнаруженными отклонениями от нормы – все оставшееся время. Важно отметить, что искусственный интеллект действует в симбиозе с врачом, не заменяя его, а лишь являясь инструментом и помогая оптимизировать процессы.