CC BY
15средних и высших учебных заведениях, предоставляя незамедлительный доступ к информации без посредников (Fage et al., 2020). Согласно некоторым исследованиям, многие люди с РАС находят привлекательными мобильные технологии, поскольку предпочитают визуальное представление информации иным формам (Papoutsi et al., 2018).
Сопроводительный материал, макеты мобильного приложения и демо-версия вопросно-ответной системы представлены в репозитории проекта https://github.com/vifirsanova/empi.
Литература
1. Fage C., Consel C. Y., Balland E., Etchegoyhen K., Amestoy A., Bouvard M., Sauzeon H.. Tablet apps to support first school inclusion of children with autism spectrum disorders (ASD) in mainstream classrooms: A pilot study. Frontiers in psychology. 2018;9:2020.
2. Papoutsi C., Drigas A., Skianis C. Mobile Applications to Improve Emotional Intelligence in Autism-A Review. International Journal of Interactive Mobile Technologies. 2018;12(6).
ДВУХСТУПЕНЧАТАЯ СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ДИАГНОСТИКИ И ЛЕЧЕНИЯ РАКА КОЖИ
Шихалиева М.Д.
Школа № 2101, Москва, Россия
В данной работе выполнено создание двухступенчатой системы искусственного интеллекта выполняющая раннюю диагностику рака кожи и составляющую персонализированное лечение для пациента на основе больших данных онкологических центров. Целью данной разработки является повышение выявляемости рака кожи на ранних стадиях, а также повышение процента выживаемости больных пораженными последними стадиями рака кожи. В процессе работы были разработаны модели машинного обучения и создана web-платформа для врачей первого звена городских поликлиник и лечащих врачей онкологических центров.
Актуальность. Россия является лидером в поздней выявляемости рака кожи. По причине диагностики меланомы лишь на поздних стадиях, в России не удается спасти около 3 тыс. пациентов в год [1]. По данным информ агентства раковых исследований при Всемирной организации здравоохранения, диагностика меланомы в РФ имеет показатель в 2 раза хуже, чем в странах ЕС, США и Австралии [2].
Рисунок 1. Число случаев поздней диагностики меланомы в России, ЕС, США и Австралии (GLOBOCAN) [2]
При профилактических осмотрах в городских поликлиниках, наблюдается низкий показатель выявляемости меланомы. Он составляет лишь 23 %. Это означает, что при обращении в российские поликлиники, рак кожи верно выявляют лишь для одного из четверых обратившихся [3]. Данная статистика доказывает необходимость наличия современных методов диагностики рака кожи в кабинетах врачей первого звена (терапевт, уролог, врач УЗИ и т.д.). Таким образом, при регулярном посещении поликлиники пациентом, врач сможет проверить подозрительную родинку на злокачественность и помочь пациенту своевременно обратиться в онкологический центр.
После обращения пациента в онкологический центр, основной трудностью в лечении является подбор верной терапии, ее продолжительности и дозировки. Для того чтобы найти наиболее эффективный план лечения, надо встретиться с большим количеством специалистов, что занимает много времени. Сейчас нет какого-либо аналога, который бы ускорил этот процесс. Более того, при назначении лечения используются стандартные нормативы для всех пациентов, так как у врачей нет технологических инструментов, позволяющих вычислить наиболее оптимальные лекарственные препараты и дозировки для индивидуальных параметров пациента.
Целью работы является создание системы искусственного интеллекта способного диагностировать рак кожи на ранней стадии и своевременно направить больного на дальнейший осмотр в онкологический центр. Система искусственного интеллекта (ИИ-система) должна быть доступна пользователю в виде web-приложения для использования в кабинете любого врача российских поликлиник. Помимо этого, задачей ИИ-системы является дальнейшее сопровождение
пациента и оказание помощи специалисту-онкологу в назначении наиболее оптимального вида терапии, лекарственного препарата, а также его дозировки, индивидуально подобранного под пациента.
Цель работы: разработать двухступенчатое программное обеспечение, состоящее из двух блоков. Первый блок системы должен отвечать за диагностику рака кожи, а второй блок за рекомендацию лечения для больных меланомой.
Задачи:
1. Ранняя диагностика меланомы в кабинете каждого врача, не только онколога. Система должна представлять собой web-интерфейс для медицинского персонала. Web-интерфейс должен принимать пользовательский ввод в виде фотографии кожного образования и в ответ выдавать пользователю риск его злокачественности. Использование web-интерфейса для диагностики не должно требовать знания в области онкологии и продвинутого медицинского оснащения. Если терапевт, лор, или любой другой врач, во время осмотра больного заметить подозрительную родинку, он на месте сможет определить вероятность злокачественного образования, загрузив фотографию родинки в ИИ-систему. Это поможет больному обратиться в онкоцентр на ранней стадии заболевания и принять эффективные профилактические меры.
2. Помощь онкологу в назначении эффективного лечения. Система должна предложить специалисту-онкологу план лечения больного на основе стандартных онкологических анализов. Для этого, Искусственный Интеллект (ИИ) проанализирует большие данные онкоцентра и выявить «тренды» в проведенном лечении, что дало положительные результаты пациентам, а что нет. На основе этого, система должна подобрать новому пациенту терапию, препарат и дозировку, чтобы максимизировать шанс выздоровления пациента.
Материалы и методы. В результате работы была реализована двухступенчатая система Искусственного Интеллекта, состоящая из двух блоков [4]. Для первого блока системы (диагностика), была разработана модель машинного обучения, диагностирующая рак кожи с точностью в 86 %. На рисунке 2 показан алгоритм данной модели, написанной на python и с использованием библиотеки Tensorflow. Предварительно обученная модель ResNet50 (на русском: остаточная нейронная сеть) получила кастомизацию последних слоев, к которой добавили слой функции максимума (Max pooling) для определения участков кожного высыпания посредством выявления темных писклей на светлом фоне кожи. Далее были добавлены слой прореживания (Dropout) для профилактики переобучения модели и слой нормализации (BatchNormalization) для стандартизации входных пикселей. Последним слоем модели был добавлен логитовый слой софтмакс (Softmax) для того, чтобы модель преобразовала выходные данные из численных в форму процента вероятности меланомы. После создания модели, она обучилась на изображениях 8 000 пациентов из международного архива ISIC (репозиторий медицинских изображений состояний кожи, подтвержденных биопсией). Модель прошла оценку эффективности, после чего изменились параметры обучения и повысилась точность предсказаний, в результате достигшая 86 % точности.
Рисунок 2. Алгоритм работы первого блока ИИ-системы (диагностика)
Для второго блока системы (персонализация лечения), была разработана рекомендательная модель машинного обучения, составляющая персонализированный план лечения пациента включая побор онкологический терапии, ее продолжительности, препарата и дозировки. На рисунке 3 показан алгоритм работы данного блока, написанного на python и с использованием рекомендательных систем Tensorflow (TFRS). Второй блок ИИ-системы принимает анализы текущего пациента, после чего выявляет схожих пациентов и анализирует тренды на основе истории болезней предыдущих онко-больных. Далее, модель рекомендательная модель машинного обучения TensorFlow Recommenders подбирает лечение для текущего пациента на основе коллаборативной фильтрации, сравнивая показатели данного пациента с показателями пациентов проанализированных ранее и выбирая какая комбинация лечения даст наиболее эффективный результат. В результате тестирования, назначенное лечение показало свое соответствие нормативам МинЗдрава РФ в области лечения рака кожи.
Рисунок 3. Алгоритм работы второго блока ИИ-системы (персонализированное лечение)
Оценка Эффективности. Эффективность ИИ-система была оценена на 4000 пациентах из архива ^Ю (Международной организации в области визуализации кожи). Фотографии пациентов были предоставлены на анализ модели машинного обучения, после чего ИИ-система поставила диагноз злокачественности кожных образований пациентов. Полученные диагнозы были сопоставлены с лабораторно подтвержденными диагнозами, поставленными пациентам по результатам биопсии кожи. Как показано на рисунке 4, система подтвердила свою работоспособность и поставила верный диагноз в более чем 86 % случаях.
Рисунок 4. Результаты испытания на 4 000 пациентов
Описание Финального Продукта. Было разработано web-приложение для врачей. В течение нескольких секунд, портал проанализирует фотографию кожного образования пациента и покажет вероятность злокачественной меланомой. Веб-интерфейс приложения был написан с использованием JavaScript и web-фреймворка React. С помощью библиотеки Flask было реализовано подключение к модели машинного обучения первого блока через метод REST API. Рисунок 5 показывает главную страницу web-портала.
^стема выдает один из двух возможных вариантов: либо образование является злокачественной, либо доброкачественной (не представляет угрозу для пациента), как показано на рисунке 6. Если выявлен высокий риск злокачественного образования меланомы, система предлагает следующие шаги для направления больного и показывает врачу первое свободное окно для записи пациента на осмотр и сдачу анализов в онкологический центр, как показано на рисунке 7.
Рисунок 5. Веб-портал для ИИ-диагностики рака кожи
Рисунок 6. Веб-портал диагностирует вероятность рака кожи
Рисунок 7. Веб-портал автоматически направляет пациента в онкологический центр
Так же, web-приложение было разработано для использования российскими онкологическими центрами. На рисунке 8 показана страница веб-портала, предназначенная для использования специалистами-онкологами. Врач-онколог может подгрузить стандартные анализы пациента (общий анализ крови, анализ уровня белка, биопсия кожи) для обработки ИИ-системой.
Рекомендательная модель машинного обучения изучит предоставленные медицинские анализы и составит самый оптимальный план лечения для больного, включая вид терапии, препарат, дозировку, и продолжительность. С помощью веб-портала, лечащий онколог увидит визуализацию результатов исследований, проведенных ИИ-системой, как показано на рисунках 9 и 10.
На рисунке 11 показан процесс внедрения ИИ-системы, описанной ранее. Как указано на схеме, любой врач поликлиники, заметивший подозрительную родинку у пациента, сможет сделать ее снимок на камеру смартфона и загрузить в web-портал ИИ-системы. Система проводит мгновенную диагностику кожного образования и при высоком риске ме-ланомы автоматически направляет больного в онкологический центр. Уже в онкоцентре, пациент сдает анализы, после чего онколог загружает их результаты в web-портал ИИ-системы. ИИ-система анализирует показатели пациента и рекомендует лечащему онкологу самый оптимальный план лечения, включая вид терапии, препарат, дозировку, и продолжительность.
Рисунок 8. Веб-портал второго блока системы: ИИ-персонализация лечения
Рисунок 9. Веб-портал назначает персонализированное лечение больного
Рисунок 10. Составленный план лечения включает вид терапии, препарат, и дозировку
Рисунок 11. Схема внедрения ИИ-системы
Практическое применение. При обращении в городскую поликлинику, у одного из пациентов было обнаружено подозрительное кожное образование (рис. 12).
Кожное образование было сфотографировано и загружено в веб-портал. После чего искусственный интеллект выявил высокий риск меланомы и предложил записать пациента на первичный осмотр в онкоцентр, как показано на рисунке 13.
Рисунок 12. Пациент с подозрительным кожным образованием
Рисунок 13. ИИ-система диагностирует меланомы и записывает пациента на осмотр в онкологический центр
После обращения данного пациента в онкологический центр, лечащий специалист-онколог имеет возможность загрузить медицинские анализы пациента в веб-портал. После чего, искусственный интеллект проводит анализ больших данных и составляет персонализированную онкологическую терапию на основе индивидуальных показателей пациента, как показано на рисунках 14 и 15.
Рисунок 14. ИИ-система предлагает онкологу персональный план лечения
Рисунок 15. ИИ-система составляет схему лечения пациента
В целях ознакомления, данное демо было размещено на ресурсе ОНИиЬ [5].
Выводы. В данной работе была разработана двухступенчатая система Искусственного Интеллекта для интеграции в российские поликлиники и онкологические центры. Для первого блока системы (диагностика) была разработана остаточная нейронная сеть, диагностирующая рак кожи с точностью в 86 %. Для второго блока системы (персонализация лечения), была разработана рекомендательная модель машинного обучения, составляющая персонализированный план лечения больного, включая наиболее оптимальный вид терапии, лекарственный препарат и дозировку.
Интеграция данной ИИ-системы в экосистему здравоохранения обеспечит множество преимуществ, включая автоматизацию задач и анализ больших наборов данных о пациентах, чтобы быстрее и с меньшими затратами предоставлять более качественную диагностику и лечение раковых заболеваний. ИИ-система сможет проанализировать большие данные, объединяя воедино информацию о пациентах и проводя анализ. Подобная информация о пациентах поможет экосистеме здравоохранения внедрить более высококачественное лечение, созданное лично для каждого пациента.
При посещении рядовой городской поликлиники, каждый гражданин сможет получить сверхточную ИИ-диагностику злокачественности кожных высыпаний. Более того, данная ИИ-система предоставляет возможность российским онкологическим центрам стать пионерами в области применения инновационных подходов в лечении рака кожи.
Литература
1. Злокачественные новообразования в России в 2015 году (заболеваемость и смертность) / под ред. О.В. Каприна, В.В. Старинского, Г.В. Петровой. М.: МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИРЦ» Минздрава России, 2016. 250 с.
2. GLOBOCAN 2012 v.1.2. Cancer incidence and mortality worldwide: IARC Cancer Base №10.
3. Современные методы ранней диагностики и лечения больных меланомой кожи: учебно-методическое пособие Министерства Здравоохранения России / под ред. Р.А. Мурашко, С.В. Шаров, С.А. Яргунин, А.Г. Барышев, М.Г. Леонов. 2015. 5 с.
4. github.com/nimus1024/oncosystem-ai [Электронный ресурс]. URL: https://github.com/nimus1024/oncosystem-ai (дата обращения 10.04.2023)
5. bit.ly/oncosystem-ai [Электронный ресурс]. URL: https://bit.ly/oncosystem-ai (дата обращения 10.04.2023)
