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:

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.