Нейро-экспертная система «KardioNet»
позволяет ставить диагнозы сердечно-сосудистых заболеваний, выполнять прогнозирование их развития на 5, 10, 15 и более лет, подбирать оптимальные курсы лечения и профилактики заболеваний с учетом индивидуальных особенностей организма пациентов.
Пройти обследованиеИстория создания интеллектуальной диагностико-прогностической системы KardioNet
Эта история началась в 1998 году, т.е. примерно более 20 лет назад.
Профессор Леонид Ясницкий осваивал новый для него предмет «Искусственный интеллект», который надо было преподавать вместо ушедшего из жизни Юрия Владимировича Девингталя. Вместе с учебной нагрузкой в наследство досталась обширная библиотека из книг, изданных еще до 1980 года, т.е. до начала перестройки, распада СССР и деградации Советской науки. Это были книги, посвященные математическим и философским основам искусственного интеллекта.
Надо сказать, что в то время клеймо буржуазной лженауки с кибернетики было уже снято, но отношение к Искусственному интеллекту было как к какой-то не имеющей практического применения философской науке. Шли бесконечные споры и обсуждения на тему «Может ли машина мыслить?», а в некоторых книгах весьма категорично утверждалось, что нейронные сети – это тупиковое научное направление.
Все началось с того, что Л.Н.Ясницкий не поверил в это утверждение. Он был восхищен опытами Ф.Розенблатта по распознаванию букв латинского алфавита. Удивительно было то, что компьютерная программа, изобретенная Ф.Розенблаттом (она назвалась персептрон, а позднее – нейронной сетью), имитировала процессы, происходящие в мозге. Кроме того, знания в нее не закладывались заранее, как в обычную компьютерную программу, а приобретались в ходе обучения методом «поощрения – наказания», т.е. так, как это практикуется при обучении детей.
Это была блестящая попытка создания искусственного мозга, и было понятно, что идея «машинного обучения» открывает колоссальные возможности решения широкого круга практических задач.
Пользуясь методикой Розенблатта, он составил компьютерную программу и попробовал обучить ее таблице умножения.
Получилось!
Причем, обучившись на одних примерах, нейронная сеть успешно справлялась и с такими примерами, которым ее не учили. Например, обучив нейросеть таблице умножения на два, на три, на четыре и на пять, ее можно было смело спрашивать – сколько будет шестью семь?
Это свойство – давать правильные ответы на незнакомые вопросы, в теории искусственного интеллекта называется свойством обобщения. Именно благодаря свойству обобщения (кстати, унаследованному от мозга) стало понятно, что нейронные сети совсем не тупик, и не игрушка для философов, а технология, за которой виделись огромные перспективы практического применения.
Первый крупный заказ на применение нового метода согласился дать Пермский авиационный завод. Требовалось решить важную практическую задачу – создать интеллектуальную систему, предназначенную для ранней диагностики авиационных двигателей. С завода в университет передавались сведения о дефектах и неисправностях, обнаруженных при разборке отлетавших свой срок двигателей. Одновременно с дефектами о каждом двигателе сообщались его рабочие параметры, которые замерялись еще во время полетов. Среди этих параметров были: возраст двигателя, температура в различных точках, давление, пульсации и т.д. Это было похоже на параметры пациента, которого диагностирует врач.
Таким образом, было сформировано обучающее множество примеров – записей для каждого двигателя, включающих параметры, характеризующие его работу во время полетов (входные параметры) и информацию о выявленных во время разборки неисправностях (выходные параметры). Нейронная сеть успешно обучилась и при тестовых испытаниях ставила диагнозы - выявляла неисправности двигателей до их разборки (до вскрытия), причем даже такие, которые обычными инженерными методами выявлять не удавалось.
Следующим был проект создания нейросетевого детектора лжи, закончившийся защитой кандидатской диссертации и внедрением в практику деятельности ООО «Поликониус» – мирового лидера на рынке полиграфной продукции и услуг. Принцип создания нейросетевого полиграфа был аналогичным. Под руководством главного полиграфолога Пермской области полковника Аскольда Марковича Петрова собирались данные его полиграфных опросах: параметры, характеризующие объект исследования (человека): частота пульса, давление, параметры дыхания, электропроводность кожи, электрокардиограмма и др., а также диагноз, поставленный полиграфологом – правдивый ответ дал респондент в момент снятия параметров, или лживый.
Одновременно проводились экспериментальные работы по созданию программного инструментария, предназначенного для генерации и обучения нейронных сетей. Начатые Л. Ясницким, А. Швеевым, С.Бурдиным, эти программные инструменты в течение пятнадцати лет постоянно усовершенствовались и дополнялись Ф. Черепановым новыми современными (в т.ч. авторскими) подпрограммами, позволяющими создавать нейронные сети, максимально приспособленными для каждой решаемой задачи. С помощью нейропакета Неросимулятор 5.0 (NSIM-5.0) (он находится в свободном доступе на сайте www.lbai.ru) были созданы десятки интеллектуальных систем в области экономики, бизнеса, промышленности, политологии, социологии, психологии, криминалистике, спорта и т.д., которым посвящено более сотни наших научных публикаций. Благодаря этому Пермское отделение Научного совета РАН по методологии искусственного интеллекта теперь имеет серьезный научный приоритет, а руководитель отделения Л.Ясницкий по данным РИНЦ с 2017 года входит в ТОП-100 самых цитируемых российских ученых в области кибернетики и информатики.
Но вот однажды, руководителя проектов Л.Ясницкого с сердечным приступом на скорой помощи доставили в Четвертую клиническую больницу г.Перми. Там он познакомился с замечательным врачом, кандидатом медицинских наук Андреем Думлером и убедил его разработать анкету для сбора статистической информации о диагностике его пациентов. Анкета содержала семь разделов:
- Паспортная часть.
- Жалобы.
- История развития заболевания.
- История жизни пациента.
- Объективное (физикальное) исследование.
- Электрокардиография.
- Дополнительные методы исследования (лабораторные, инструментальные).
Система обучалась выявлять следующие диагнозы:
- Инфаркт миокарда.
- Стенокардия стабильная.
- Стенокардия нестабильная.
- Гипертоническая болезнь.
- Нарушения ритма и проводимости сердца.
- Острая левожелудочковая недостаточность.
- Хроническая сердечная недостаточность.
- Тромбоэмболия легочной артерии.
С 2005 года по 2009 гг. работы по сбору статистической информации и эксперименты по обучению нейронных сетей выполнялись как инициативные. С 2009 по 2012 годы они выполнялись на средства Гранта Правительства Пермского края работниками ЗАО «Информационно-вычислительные системы» (ИВС), Пермского государственного медицинского университета имени академика Е.А.Вагнера, Пермского государственного национального исследовательского университета, Пермского государственного гуманитарно-педагогического университета.
К 2012 году нейронные сети уже обучались на анкетных данных более тысячи кардиологических больных. Однако, хотя точность постановки диагнозов при тестировании нейросетевой системы колебалась в допустимых пределах, при попытках опытной эксплуатации системы выявились случаи неправильной постановки диагнозов.
2013 – 2015 гг можно назвать периодом переосмысления, обнаружения и исправления ошибок. В результате длительных обсуждений методики моделирования и результатов испытаний интеллектуальной системы, были установлены причины ошибочной диагностики. Между математиками и врачами, наконец, был найден «общий язык».
В этот период бала изобретена нейронная сеть, специально предназначенная для поиска выбросов статистической информации – ошибок, которые неизбежно встречаются в больших объемах данных. Последующий год был посвящен исключительно выявлению и исправлению ошибочной информации в обучающих множествах с помощью нового нейросетевого инструмента, применяемого в тесном контакте с врачами-экспертами. С 2016 по 2018 гг. работы над проектом выполнялись при финансовой поддержке Российского фонда фундаментальных исследований.
К 2018 году с системы были сняты все претензии практикующих врачей, она успешно прошла опытную эксплуатацию в Четвертой клинической больнице г.Перми.
В этом же году система научилась помимо диагностики выполнять еще и прогнозирование появления и развития заболеваний на 5, 10, 15 и более лет. Это, в свою очередь, сделало возможным подбирать оптимальный для каждого пациента образ жизни, а также оптимизировать курсы профилактики и лечения сердечно-сосудистых заболеваний.
Сравнивая результаты нашего проекта с мировыми достижениями, следует заметить, что в мире уже существует много нейросетевых медицинских систем, способных ставить диагнозы самых разнообразных заболеваний. Встречаются сообщения, в которых упоминаются термины «прогноз заболеваний», «предсказание заболеваний», «оптимизация курсов лечения и профилактики». Но, как показал анализ мировой литературы, выполненный в нашей научной статье, при более тщательном ознакомлении с текстами публикаций выясняется, что указанные термины используются только в узком смысле этого слова – как «исход заболевания», «выживет – не выживет», «какой процент пациентов выживет», «обратится ли пациент вновь к врачу», или как «диагноз, прогнозируемый в неопределенном будущем». А под «оптимизацией» иногда подразумевается оптимизация стоимости лечения. Сведений же о реальном применении аппарата нейронных сетей для моделирования заболеваний как процессов, развивающихся во времени, тем более – для управления этими процессами, нам не удалось найти нигде.
Уникальность нашего проекта состоит в том, что мы научились с помощью методов искусственного интеллекта строить динамические компьютерные модели пациентов. Мы научились выполнять над компьютерными моделями виртуальные компьютерные эксперименты – виртуально увеличивать возраст пациента и наблюдать, какие заболевания у него могут развиваться в будущем. Мы научились виртуально менять образ жизни пациента и пробовать различные курсы профилактики и лечения. Наблюдая на экране компьютера, к чему это приведет в ближайшей и в отдаленной перспективе, мы научились подбирать оптимальный для пациента образ жизни, лекарственные препараты, оптимальные курсы профилактики и лечения заболеваний.
Но, возникают естественные вопросы: Почему в мире до сих пор это никто не делает? Почему подобных интеллектуальных систем нет на рынке медицинских программных средств?
Отвечая на эти вопросы, следует заметить, что мы строим наши сценарные прогнозы с применением метода замораживания входных параметров. Это значит, что мы виртуально меняем один из входных параметров, оставляя остальные входные параметры неизменными. Но, проблема состоит в том, что параметры человека имеют между собой сложные корреляционные взаимозависимости. Например, с увеличением возраста у человека появляются изменения на электрокардиограмме, изменяются результаты эхокардиографии и биохимических анализов и т.д. Но, такие зависимости, как правило, заранее неизвестны, и поэтому весьма проблематично учитывать их при построении нейросетевых моделей. Именно эта проблема и явилась «камнем преткновения» для ученых. Именно поэтому в мировой научной литературе невозможно найти примеров применения нейронных сетей для полноценного сценарного прогнозирования развития заболеваний, т.е. – для моделирования заболеваний как процессов, развивающихся во времени.
Для преодоления этого «камня преткновения» авторами настоящего проекта в научных статьях был предложен способ идеологического объединения возможностей двух технологий искусственного интеллекта: нейронных сетей и экспертных систем. Был предложен оригинальный алгоритм, позволяющий корректировать результаты нейросетевых сценарных прогнозов развития заболеваний с помощью знаний, заложенных в международную шкалу SCORE, и других приемов, пока что являющихся Ноу-Хау нашего проекта.
Теперь, выполняя долгосрочные прогнозы, система KARDIONET моделирует наши психологические представления о том, как принимает решения сам человек. Сначала его решения формируются под влиянием интуиции, эмоций, накопленного опыта. Согласно основным гипотезам нейроинформатики (Мак-Каллок, Питтс, Розенблатт) эти предварительные эмоционально-интуитивные решения вырабатываются как результат вычислительной деятельности нейронов биологической нейронной сети человека. Однако затем эти предварительные решения (в том числе диагнозы и прогнозы) корректируются, и, в окончательном виде, решения принимаются человеком-экспертом уже после обдумывания, т.е. с использованием экспертных знаний – правил и законов, известных человеку о предметной области или среде, в которой он живет.
Следуя этой идее, нам и удалось создать интеллектуальную систему KARDIONET, способную не только ставить текущие диагнозы заболеваний, но и выполнять прогнозы их появления и развития на длительные периоды времени.
С 2017 года авторы проекта приступили к поискам возможностей более широкого внедрения KARDIONET в медицинскую практику. Система KARDIONET демонстрировалась на научно-практических конференциях и совещаниях медицинской направленности в Перми, Екатеринбурге, Тюмени, Москве, Будве (Montenegro) и др.
Доклад сделанный в 2017 году на XII Национальном конгрессе терапевтов, получил высокую оценку председателя конгресса, президента Российского научного медицинского общества терапевтов, академика РАН А.И. Мартынова, согласившегося стать ментором проекта и давшего рекомендательное письмо.
Аналогичный успех имело выступление и демонстрация KARDIONET на II Международном медицинском инвестиционном форуме ММИФ-2018, где актуальность проекта была подтверждена представителями бизнеса, в т.ч. модератором сессии, Вице-президентом Фонда «Сколково» К.В.Каемом.
В 2019 году KARDIONET демонстрировалась и обсуждалась на заседании «Круглого стола» в рамках Четвертой Всероссийской научно-практической конференции «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века». Участники Круглого стола – авторитетные ученые в области медицины, философии, психологии, математического моделирования, пришли к выводу, что c появлением динамических интеллектуальных систем, подобных KARDIONET, способных не только ставить диагнозы медицинских заболеваний, но и прогнозировать их возникновение и развитие, открывается возможность радикального решения многовековой этической проблемы «врач-пациент». Теперь врачи, прежде чем назначать лекарственные препараты, курсы профилактики и лечения пациентов, будут наблюдать, проверять и оптимизировать их действие не на самих пациентах, а на математических моделях пациентов. Таким образом, «создаются условия для перехода медицинской науки и практики на качественно новый уровень, соответствующий времени».
Результаты демонстрации системы KARDIONET, а также ее обсуждений и дискуссий, на круглом столе опубликованы в Итогах конференции.
ПОЧЕМУ НАМ ДОВЕРЯЮТ
- Постановку диагнозов и прогнозы появления и развития заболеваний выполняет искусственный интеллект, обученный на историях болезней более 3000 кардиологических больных.
- Система KARDIONET учитывает широкий комплекс индивидуальных параметров организма человека, включающий генетические и наследственные факторы, условия и образ жизни и многое другое.
- KARDIONET успешно прошла всестороннее тестирование и опытную эксплуатацию в ряде медицинских центров.
- KARDIONET создана коллективом из опытных специалистов в области медицины и искусственного интеллекта.
- Методика создания KARDIONET опубликована авторами в ряде авторитетных рецензируемых журналов из базы РИНЦ, ВАК, SCOPUS и др.
- Нас признало медицинское сообщество во главе с Президентом Российского научного медицинского общества терапевтов, академиком РАН А.И.Мартыновым.
Публикации
- Ясницкий Л.Н. Введение в искусственный интеллект. М.: Издательский центр «Академия», 2005. – 176с.
- Ясницкий Л.Н. Интеллектуальные информационные технологии и системы / Пермский ун-т. Пермь, 2007. 271с.
- Ясницкий Л. Н., Черепанов Ф.М., и др. Пермская научная школа искусственного интеллекта и ее инновационные проекты. 2-е изд. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. 75с. (Скачать)
- Ясницкий Л.Н., Думлер А.А., Полещук А.Н., Богданов К.В., Черепанов Ф.М. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний // Пермский медицинский журнал. – 2011. – Т.28. – №4. – С. 77-86.
- Ясницкий Л.Н., Думлер А.А., Богданов К.В., Полещук А.Н., Черепанов Ф.М., Макурина Т.В., Чугайнов С.В. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей // Медицинская техника. 2013. № 3. С. 42-44. DOI: 10.1007/s10527-013-9359-0. (Скачать)
- Yasnitsky L.N., Dumler A.A., Bogdanov K.V., Poleschuk A.N., Cherepanov F.M., Makurina T.V., Chugaynov S.V. Diagnosis and Prognosis of Cardiovascular Diseases on the Basis of Neural Networks // Biomedical Engineering. 2013. Vol. 47. No 3. Pp. 160-163. DOI: 10.1007/s10527-013-9359-0. (Скачать)
- Yasnitsky L.N., Dumler A.A., Poleshchuk A.N., Bogdanov C.V., Cherepanov F.M. Artificial Neural Networks for Obtaining New Medical Knowledge: Diagnostics and Prediction of Cardiovascular Disease Progression // Biology and Medicine. 2015. 7(2), BM-095-15, 8 pages. (Скачать)
- Ясницкий Л.Н. Интеллектуальные системы : учебник. М.: Лаборатория знаний, 2016. 221 с. (Скачать)
- Ясницкий Л.Н. Новые возможности применения методов искусственного интеллекта в медицине: диагностика, прогнозирование и моделирование развития заболеваний сердечно-сосудистой системы // XII Национальный конгресс терапевтов (сборник тезисов) (г. Москва, 22–24 ноября 2017 г.). – Москва, 2017. С. 153.
- Черепанов Ф.М., Ясницкий Л.Н. Нейро-экспертная система диагностики и прогнозирования рисков сердечно-сосудистых заболеваний. Свидетельство о государственной регистрации программы для ЭВМ № 2017662410. Заявка Роспатент № 2017619552. Зарегистрировано в Реестре программ для ЭВМ 07 ноября 2017г. (Скачать)
- Yasnitsky L.N., Dumler A.A, Cherepanov F.M. The Capabilities of Artificial Intelligence to Simulate the Emergence and Development of Diseases, Optimize Prevention and Treatment Thereof, and Identify New Medical Knowledge // Journal of Pharmaceutical Science and Research. 2018. Vol. 10(9). Pp. 2192-2200. (Скачать)
- Ясницкий Л.Н., Черепанов Ф.М. Нейроэкспертная система диагностики, прогнозирования и управления рисками сердечно-сосудистых заболеваний // Прикладная математика и вопросы управления. 2018. № 3. С. 107-126. DOI: 10.15593/2499-9873/2018.3.08. (Скачать)
- Yasnitsky L.N., Dumler A.A., Cherepanov F.M. (2019) Dynamic Artificial Neural Networks as Basis for Medicine Revolution. In: Antipova T., Rocha A. (eds) Digital Science. DSIC18 2018. Advances in Intelligent Systems and Computing, vol 850, pp. 351-358. Springer, Cham. (Proceedings of the 2018 International Conference on Digital Science (DSIC’18). Budva, Montenegro, October 19 – 21, 2018). DOI: (Скачать)
- Черепанов Ф.М. Методы повышения эффективности нейросетевых рекомендательных систем в условиях ограниченных объемов выборок со сложными корреляционными связями (на примере диагностики и прогнозирования сердечно-сосудистых заболеваний человека). 2019. Диссертация на соискание ученой степени кандидата технических наук. (Скачать)
С полным списком публикаций можно ознакомится на сайте Пермского отделения Научного Совета Российской Академии Наук по методологии искусственного интеллекта www.permai.ru в разделе "Публикации".
СМИ о нас
Телепередача «Вести Пермь»
Ролик о Конгрессе терапевтов
Сертификаты
Свидетельства Роспатент на нейропакеты, предназначенные для генерации и обучения нейронных сетей
Свидетельства Роспатент на демонстрационный прототип KARDIONET
Команда
Научный руководитель: Ясницкий Леонид Нахимович, доктор технических наук, профессор, председатель Пермского отделения Научного совета Российской академии наук по методологии искусственного интеллекта
Руководитель группы медработников: Думлер Андрей Артурович, Кандидат медицинских наук, доцент
Руководитель группы программистов: Черепанов Федор Михайлович, соискатель к.т.н., старший преподаватель
Операционное управление: Ясницкий Виталий Леонидович, MBA (ВШБ «Мирбис»), кандидат экономических наук, доцент
Ментор: Мартынов Анатолий Иванович, Президент Российского научного медицинского общества терапевтов, академик РАН, д.м.н., профессор.
Контакты
Тел.: +7 (342) 27-16-168, +7 (912) 07-04-387
email: yasn@psu.ru