ИННОВАЦИОННЫЙ ПРОЕКТ ПО РАЗРАБОТКЕ СЕРВИСА ДЛЯ МАШИННОГО АНАЛИЗА ФЛЮОРОГРАФИЧЕСКИХ СНИМКОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОЙ СВЕРТОЧНОЙ НЕЙРОСЕТИ
|
ВВЕДЕНИЕ 3
ГЛАВА I. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ ДИАГНОСТИКИ 6
1.1. Методы визуальной диагностики 6
1.2. Анализ флюорографических снимков дыхательной системы .... 11
1.3. Анализ причин пропусков или неправильной трактовки
патологических изменений при чтении флюорограмм 14
ГЛАВА II. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ ДИАГНОСТИКИ 18
2.1. Описание системы и разработка нейросетевой модели 18
2.2. Эффективность машинной обработки флюорограмм 22
ГЛАВА III. АНАЛИЗ РЫНКА И ПЛАН ПО РЕАЛИЗАЦИИ И ВНЕДРЕНИЮ ПРОЕКТА ПО РАЗРАБОТКЕ НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНСКИЕ УЧРЕЖДЕНИЯ 23
ЗАКЛЮЧЕНИЕ 30
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ГЛАВА I. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ ДИАГНОСТИКИ 6
1.1. Методы визуальной диагностики 6
1.2. Анализ флюорографических снимков дыхательной системы .... 11
1.3. Анализ причин пропусков или неправильной трактовки
патологических изменений при чтении флюорограмм 14
ГЛАВА II. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ ДИАГНОСТИКИ 18
2.1. Описание системы и разработка нейросетевой модели 18
2.2. Эффективность машинной обработки флюорограмм 22
ГЛАВА III. АНАЛИЗ РЫНКА И ПЛАН ПО РЕАЛИЗАЦИИ И ВНЕДРЕНИЮ ПРОЕКТА ПО РАЗРАБОТКЕ НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНСКИЕ УЧРЕЖДЕНИЯ 23
ЗАКЛЮЧЕНИЕ 30
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
Туберкулез (ТБ) является социально значимой болезнью и остается одной из серьезных проблем в современной медицине. За последние десятилетия огромные усилия стран и межправительственных организаций достигли значительного прогресса. В Российской Федерации в 2017 году было проведено около 7,5 миллионов флюорографических исследований. Однако стандартные формы туберкулеза были заменены химиорезистентными (устойчивыми к лекарственным препаратам), множественно-устойчивыми и ВИЧ-ассоциированными вариантами, что вынудило медицинское сообщество искать пути преодоления угрозы.
Необходимо исследовать новые логистические подходы для скрининга, особенно в малонаселенных районах или местах с нехваткой персонала. Нельзя недооценивать важность цифровых технологий в борьбе с туберкулезом.
Применимость технологий «искусственного интеллекта» (ИИ) для скрининга и диагностики туберкулеза изучалась с конца 1990-х годов [1]. Нейронные сети использовались для определения риска активного туберкулеза или для предоставления рекомендаций по лечению на основе электронных медицинских карт и рентгенограмм. Точность была достаточно высокой - чувствительность 100%, специфичность 72% [2, 3]. В
последующие годы исследователи создавали все более сложные технологии для анализа клинических, исторических, лабораторных данных, иногда полностью пренебрегая диагностическими изображениями [4, 5, 6, 7, 8].
Сверточные нейронные сети были успешно протестированы для анализа компьютерной томографии и мониторинга ответа на лечение в случае химиорезистентного туберкулеза [9]. Таким образом, постепенно создается новый класс систем поддержки принятия решений (DSS) для стационарных и амбулаторных клиник.
Применимость и значимость скрининга на туберкулез на основе искусственного интеллекта (ИИ) недостаточно изучены. Существует всего несколько публикаций по автоматическому распознаванию туберкулеза в радиологии. Предлагаемые модели технически и экономически невыгодны для целей скрининга. Очевидно, что дальнейшее развитие автоматизированных систем анализа рентгеновской пленки для скрининга имеет решающее значение.
На сегодняшний день разрабатывается система по машинной обработке флюорограмм. Этот программный продукт предназначен для автоматизированного анализа рентгенограммы грудной клетки в клиническом сценарии скрининга на туберкулез (сортировка). Программа обрабатывает и классифицирует исследования как «норма» или «патология». Система основана на сверточных нейронных сетях, которые обучаются на наборах данных рентгеновских снимков, проверенных квалифицированными радиологами. Эта система поддержки принятия медицинских решений позволяет автоматизировать процесс первоначального скрининга рентгенограмм и идентифицировать тревожные изображения с подозрением на патологию.
Актуальность исследования:
Туберкулез был и остается одной из самых распространенных инфекций и ведущих причин смертности в мире, является социальнозначимым заболеванием. Основные последствия таких заболеваний вызывают длительные или хронические нарушения дыхательной системы. Обращаясь к флюорографическим исследованиям, чья цель - выявление туберкулеза, мы встречаемся с проблемами высокой загруженности, низкой квалификации или нехваткой специалистов-рентгенологов.
Цели исследования:
Изучение вопроса повышения качества анализа флюорографических снимков, не разрушая существующую систему флюорографических исследований, за счет уменьшения влияния человеческого фактора и внедрения автоматизированной системы скрининга.
Разработать план внедрения системы автоматического анализа флюорографических снимков в медицинские учреждения г. Казани.
Задачи исследования:
• Проанализировать методологию диагностики респираторных заболеваний;
• Изучить и обосновать использование нейронных сетей глубокого обучения в качестве инструмента для диагностики состояния легких;
• Провести маркетинговое исследование и разработать план реализации системы машинного анализа флюорограмм.
Необходимо исследовать новые логистические подходы для скрининга, особенно в малонаселенных районах или местах с нехваткой персонала. Нельзя недооценивать важность цифровых технологий в борьбе с туберкулезом.
Применимость технологий «искусственного интеллекта» (ИИ) для скрининга и диагностики туберкулеза изучалась с конца 1990-х годов [1]. Нейронные сети использовались для определения риска активного туберкулеза или для предоставления рекомендаций по лечению на основе электронных медицинских карт и рентгенограмм. Точность была достаточно высокой - чувствительность 100%, специфичность 72% [2, 3]. В
последующие годы исследователи создавали все более сложные технологии для анализа клинических, исторических, лабораторных данных, иногда полностью пренебрегая диагностическими изображениями [4, 5, 6, 7, 8].
Сверточные нейронные сети были успешно протестированы для анализа компьютерной томографии и мониторинга ответа на лечение в случае химиорезистентного туберкулеза [9]. Таким образом, постепенно создается новый класс систем поддержки принятия решений (DSS) для стационарных и амбулаторных клиник.
Применимость и значимость скрининга на туберкулез на основе искусственного интеллекта (ИИ) недостаточно изучены. Существует всего несколько публикаций по автоматическому распознаванию туберкулеза в радиологии. Предлагаемые модели технически и экономически невыгодны для целей скрининга. Очевидно, что дальнейшее развитие автоматизированных систем анализа рентгеновской пленки для скрининга имеет решающее значение.
На сегодняшний день разрабатывается система по машинной обработке флюорограмм. Этот программный продукт предназначен для автоматизированного анализа рентгенограммы грудной клетки в клиническом сценарии скрининга на туберкулез (сортировка). Программа обрабатывает и классифицирует исследования как «норма» или «патология». Система основана на сверточных нейронных сетях, которые обучаются на наборах данных рентгеновских снимков, проверенных квалифицированными радиологами. Эта система поддержки принятия медицинских решений позволяет автоматизировать процесс первоначального скрининга рентгенограмм и идентифицировать тревожные изображения с подозрением на патологию.
Актуальность исследования:
Туберкулез был и остается одной из самых распространенных инфекций и ведущих причин смертности в мире, является социальнозначимым заболеванием. Основные последствия таких заболеваний вызывают длительные или хронические нарушения дыхательной системы. Обращаясь к флюорографическим исследованиям, чья цель - выявление туберкулеза, мы встречаемся с проблемами высокой загруженности, низкой квалификации или нехваткой специалистов-рентгенологов.
Цели исследования:
Изучение вопроса повышения качества анализа флюорографических снимков, не разрушая существующую систему флюорографических исследований, за счет уменьшения влияния человеческого фактора и внедрения автоматизированной системы скрининга.
Разработать план внедрения системы автоматического анализа флюорографических снимков в медицинские учреждения г. Казани.
Задачи исследования:
• Проанализировать методологию диагностики респираторных заболеваний;
• Изучить и обосновать использование нейронных сетей глубокого обучения в качестве инструмента для диагностики состояния легких;
• Провести маркетинговое исследование и разработать план реализации системы машинного анализа флюорограмм.
В настоящей работе были рассмотрены различные методы скрининга заболеваний легочной системы, в частности, туберкулеза, где важное место занимают флюорографические исследования.
В рамках изучения мануального метода обработки флюорографических снимков было представлено альтернативное решение проблем нехватки количества врачей и их компетенций - сервис-помощник врача-рентгенолога. В нем осуществляется машинный анализ флюорографических снимков с целью сортировки изображений на два множества: «норма» - снимки здоровых людей; «патология» - снимки с подозрением на наличие патологии у пациента, требующие внимания врача. Для сортировки изображений сервис использует обученную глубокую сверточную нейросеть, для которой была подготовлена большая база отсортированных по критерию: норма, патология флюорографических рентгеновских снимков (суммарный объем более 140 тысяч фотографий). Система может функционировать на автономном сервере больницы и в облачном сервисе. Предлагаемая система за счет сортировки флюорографических снимков на две группы обусловит следующее:
1. уменьшит объем работы для врача.
2. повысит качество и количество выявляемости патологий.
3. выдаст моментальный результат (протокол обследования) здорового человека.
4. повысит эффективность районных рентген-кабинетов в которых отсутствует врач-рентгенолог.
Для данной системы было приведено обоснование автоматизации процесса скрининга на основе данных об ошибках ручного и эффективности машинного методов анализа флюорографических снимков.
В качестве оригинальной части работы для инновационного проекта были выбраны способы монетизации и направления продвижения проекта, разработан план мероприятий на ближайшие три года, который включает в себя:
1. Доработку прототипа системы на основе библиотек нейросетей (open source библиотека tensorflow, язык python). Разработку веб-интерфейса для системы;
2. Обучение системы на множестве снимков, получение результатов тестирования в условиях реальной эксплуатации (база обучения 70000 снимков, проверка на 2000 снимков из больницы, уменьшение объема работы врача на 10%);
3. Презентация продукта потенциальным клиентам/пользователям, сбор пожеланий и требований к системе: туберкулезный центр г.Казани; диспетчерский центр Минздрава РТ, РКБ- 2;
4. Подготовка большой базы снимков для дальнейшего повышения качества работы системы не менее 1 миллиона;
5. Апробация качества работы системы в течении полугода в туберкулезном центре (чтобы прошло не менее миллиона снимков через систему), получение акта-экспертизы;
6. Поиск партнеров (внедрение системы на безвозмездной основе) и заключение соглашений о намерении внедрять;
7. Сертификация системы, патентование полезных моделей.
8. Поиск коммерческих заказчиков, осуществление первых продаж.
Также были рассмотрены перспективы внедрения проекта за рамками медицинского применения, к примеру, в качестве одного из видов неразрушающего контроля в промышленном производстве.
Важно отметить, что мировой рынок систем для телемедецины сформировался совсем недавно и в настоящее время находится в стадии активного развития, что открывает огромные возможности для дальнейших исследований применения искусственного интеллекта в других сферах жизни.
Результаты исследований, проводимых в рамках представленного проекта, могут быть использованы, как для внедрения в уже функционирующие информационные системы, так и при разработке новых проектов российских медицинских информационных систем, что будет способствовать их конкурентному преимуществу перед разрабатываемыми зарубежными аналогами.
В рамках изучения мануального метода обработки флюорографических снимков было представлено альтернативное решение проблем нехватки количества врачей и их компетенций - сервис-помощник врача-рентгенолога. В нем осуществляется машинный анализ флюорографических снимков с целью сортировки изображений на два множества: «норма» - снимки здоровых людей; «патология» - снимки с подозрением на наличие патологии у пациента, требующие внимания врача. Для сортировки изображений сервис использует обученную глубокую сверточную нейросеть, для которой была подготовлена большая база отсортированных по критерию: норма, патология флюорографических рентгеновских снимков (суммарный объем более 140 тысяч фотографий). Система может функционировать на автономном сервере больницы и в облачном сервисе. Предлагаемая система за счет сортировки флюорографических снимков на две группы обусловит следующее:
1. уменьшит объем работы для врача.
2. повысит качество и количество выявляемости патологий.
3. выдаст моментальный результат (протокол обследования) здорового человека.
4. повысит эффективность районных рентген-кабинетов в которых отсутствует врач-рентгенолог.
Для данной системы было приведено обоснование автоматизации процесса скрининга на основе данных об ошибках ручного и эффективности машинного методов анализа флюорографических снимков.
В качестве оригинальной части работы для инновационного проекта были выбраны способы монетизации и направления продвижения проекта, разработан план мероприятий на ближайшие три года, который включает в себя:
1. Доработку прототипа системы на основе библиотек нейросетей (open source библиотека tensorflow, язык python). Разработку веб-интерфейса для системы;
2. Обучение системы на множестве снимков, получение результатов тестирования в условиях реальной эксплуатации (база обучения 70000 снимков, проверка на 2000 снимков из больницы, уменьшение объема работы врача на 10%);
3. Презентация продукта потенциальным клиентам/пользователям, сбор пожеланий и требований к системе: туберкулезный центр г.Казани; диспетчерский центр Минздрава РТ, РКБ- 2;
4. Подготовка большой базы снимков для дальнейшего повышения качества работы системы не менее 1 миллиона;
5. Апробация качества работы системы в течении полугода в туберкулезном центре (чтобы прошло не менее миллиона снимков через систему), получение акта-экспертизы;
6. Поиск партнеров (внедрение системы на безвозмездной основе) и заключение соглашений о намерении внедрять;
7. Сертификация системы, патентование полезных моделей.
8. Поиск коммерческих заказчиков, осуществление первых продаж.
Также были рассмотрены перспективы внедрения проекта за рамками медицинского применения, к примеру, в качестве одного из видов неразрушающего контроля в промышленном производстве.
Важно отметить, что мировой рынок систем для телемедецины сформировался совсем недавно и в настоящее время находится в стадии активного развития, что открывает огромные возможности для дальнейших исследований применения искусственного интеллекта в других сферах жизни.
Результаты исследований, проводимых в рамках представленного проекта, могут быть использованы, как для внедрения в уже функционирующие информационные системы, так и при разработке новых проектов российских медицинских информационных систем, что будет способствовать их конкурентному преимуществу перед разрабатываемыми зарубежными аналогами.