Health Samurai, независимое подразделение ИТ-компании WaveAccess, разработало модуль на базе алгоритмов машинного обучения для автоматического поиска холестериновых бляшек в шейных артериях по результатам ультразвукового сканирования. Разработка позволила повысить скорость расшифровок в 5 раз. Проект выполнен по заказу медицинской компании США, поставщика высокотехнологичного решения для оценки состояния артерий. Автоматизация процессов освободила медицинских сотрудников от рутинных операций, а компанию избавила от необходимости наращивать штат высокооплачиваемых специалистов.

Решение для оценки состояние шейных артерий включает портативный сканер и сервис по подробной расшифровке результатов сканирования опытными техниками. Услуга предоставляется медучреждениям и врачам частной практики США компанией-поставщиком высокотехнологичного медицинского оборудования. Ранее специалисты по расшифровке просматривали всю полученную видеозапись длиной в среднем 5 минут, кадр за кадром проверяя состояние артерии, чтобы выявить репрезентативные для врача снимки и определить на них наличие холестериновых бляшек. Измерение толщины стенки артерии и ее диаметра, определение формы, размеров и расположения бляшек также осуществлялись вручную.

Подготовка одного заключения могла занимать несколько часов. Стандартные программные решения не позволяли автоматизировать процесс «чтения» сканов — с расшифровкой мог справиться только квалифицированный специалист с медицинским образованием. С ростом количества пользователей поставщику решения приходилось увеличивать штат высокооплачиваемых техников, росла и цена услуги. При этом скорость и качество сервиса не менялись. Чтобы сделать систему конкурентоспособной, требовалось оптимизировать процессы: ускорить работу текущего штата специалистов и одновременно повысить точность расшифровок.

Решить проблему удалось благодаря модулю на базе алгоритмов машинного обучения, разработанному Health Samurai, независимым подразделением компании WaveAccess. Нейросеть помогает определять области нахождения артерий и распознавать холестериновые бляшки. После обучения система научилась отличать обычный «шум» на видеозаписи от аномалии и находить нужные кадры с высоким процентом точности. Модуль делит запись на отдельные кадры и предлагает технику 5 самых качественных снимков с наиболее удачной областью для измерения диаметра стенки артерии. Также система предлагает специалисту 20 снимков артерии, где выделены области, представляющие интерес. С задачей по расшифровке записи для измерения диаметра стенки артерии алгоритмы справляются с точностью около 95%, с задачей по поиску кадров с потенциальными аномалиями — с точностью 80%.

Разработка позволила ускорить работу специалистов по расшифровке в 5 раз: теперь не требуется просматривать всю запись целиком — необходимые для заключения кадры предоставляются автоматически. Кроме того, снизилась вероятность ошибки, связанной с человеческим фактором. Как следствие, выросла конкурентоспособность решения для оценки состояния артерий: врачи — пользователи услуги по расшифровке результатов сканирования — получают еще более точный результат за более короткий срок.

«Разработка решения потребовала тесного сотрудничества наших алгоритмистов и разработчиков с врачами. На первом этапе внедрения медицинские специалисты сами „дообучали“ решение: просматривали кадры вручную, указывали на аномалии, оценивали качество принятого модулем решения и рассказывали, чего им не хватает в данных. Данные готовились вручную, что требовало повышенного внимания специалистов с обеих сторон», — прокомментировал Александр Азаров, старший вице-президент по разработке ПО в WaveAccess.

Компания WaveAccess также создает модули machine learning для изучения аномального поведения пользователей с целью защиты данных, для «умных» рекомендательных систем в online-магазинах, распределения клиентских заявок по рейтингу, прогнозирования затратных событий и других бизнес-задач.

Пресс-релиз

Версия для печати