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 обследование

История 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:

  1. Паспортная часть.
  2. Жалобы.
  3. История развития заболевания.
  4. История жизни пациента.
  5. Объективное (физикальное) исследование.
  6. Электрокардиография.
  7. 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

  1. Постановку диагнозов и прогнозы появления и развития заболеваний выполняет искусственный интеллект, обученный на историях болезней более 3000 кардиологических больных.
  2. Система KARDIONET учитывает широкий комплекс индивидуальных параметров организма человека, включающий генетические и наследственные факторы, условия и образ жизни и многое другое.
  3. KARDIONET успешно прошла всестороннее тестирование и опытную эксплуатацию в ряде медицинских центров.
  4. KARDIONET создана коллективом из опытных специалистов в области медицины и искусственного интеллекта.
  5. Методика создания KARDIONET опубликована авторами в ряде авторитетных рецензируемых журналов из базы РИНЦ, ВАК, SCOPUS и др.
  6. Нас признало медицинское сообщество во главе с Президентом Российского научного медицинского общества терапевтов, академиком РАН А.И.Мартыновым.

Публикации

  1. Ясницкий Л.Н. Введение в искусственный интеллект. М.: Издательский центр «Академия», 2005. – 176с.
  2. Ясницкий Л.Н. Интеллектуальные информационные технологии и системы / Пермский ун-т. Пермь, 2007. 271с.
  3. 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)
  4. 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.
  5. 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)
  6. 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)
  7. 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)
  8. Ясницкий Л.Н. Интеллектуальные системы : учебник. М.: Лаборатория знаний, 2016. 221 с. (Скачать)
  9. 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.
  10. 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)
  11. 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)
  12. 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)
  13. 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)
  14. 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

сертификаты
сертификаты
сертификаты

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

Ясницкий Леонид Нахимович
Тел.: +7 (342) 27-16-168, +7 (912) 07-04-387
email: yasn@psu.ru