Газета: здравоохранение в регионах
Газета: здравоохранение в регионах

ПРОРЫВ: резидент Сколково разработал высокоточную ИИ-модель по оценке вероятности онкозаболеваний у пациента на перспективу ближайших полутора лет

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Пока оценок нет)
Загрузка...
MATERLIFE — архивная публикация
Фото помещено в архив издания

Компания «К-Скай», резидент Фонда «Сколково» (Группа ВЭБ.РФ), разработчик платформы Webiomed, представил новую модель оценки онконастороженности. ИИ-платформа с высокой точностью предсказывает возникновение онкологических заболеваний у пациента в ближайшие 1,5 года. Анализ основан на технологиях глубокого обучения и классического машинного обучения.  

При создании алгоритмов команда «К-Скай» провела консультации с ведущими научными центрами России, специализирующимися на онкологии, чтобы определить ключевые аспекты скрининга злокачественных новообразований и выделить наиболее значимые признаки для входных данных модели.

«Новая разработка нашего резидента «К-Скай» позволяет повысить онконастороженность врачей первичного звена. С помощью Webiomed врачи смогут быстро анализировать факторы риска развития злокачественных новообразований и точнее выявлять онкологические заболевания на ранней стадии. Таким образом искусственный интеллект становится не просто инструментом диагностики, а стратегическим направлением современной онкологии», — подчеркнула Юлия Щеглова, директор направления «Медицинские и ассистивные технологии» Фонда «Сколково» (Группа ВЭБ.РФ).

Модель представляет собой сложный алгоритм мультилейбл-классификации, оценивающий риск развития рака жизненно важных органов по 82 предикторам. Данный алгоритм позволяет прогнозировать онкозаболевания с высокой точностью и помогает выявлять большинство реальных случаев.

СПРАВОЧНО

Для отдельных видов злокачественных образований модель сообщает, существует ли риск по каждому конкретному типу онкозаболеваний. По данным разработчика точность прогноза составляет: молочная железа — 93 %, кишечник — 62 %, предстательная железа — 66 %, мочевой пузырь — 63 %, шейка матки — 90 %, легкие — 63 %.

Модель эффективно выявляет пациентов с высоким риском, при этом чувствительность варьируется от 41 % до 83 %.

Критически важным для обеспечения точности прогнозирования стал строгий отбор данных. Чтобы различать пациентов с ранними и поздними стадиями заболевания, использовались не только количественные показатели, такие как результаты анализов крови и инструментальных исследований, но и качественные характеристики, описанные врачами в клинических заключениях (историях болезни).

Накопленные текстовые признаки и показатели таких пациентов стали ценным источником данных для выявления закономерностей и ранних предвестников онкологических заболеваний. Кроме того, особое внимание уделялось выявлению скрытых корреляций между различными факторами, которые могли указывать на риск развития заболевания.

Результаты прогностического моделирования были проверены на независимой группе пациентов, чтобы оценить их надежность и обобщающую способность. Это позволило убедиться в том, что разработанная модель способна предсказывать развитие заболевания не только на основе данных тех пациентов, на которых она была обучена.

«В онкологии очень важно определить заболевание как можно раньше, так как на кону может быть жизнь человека. Прогностические алгоритмы на базе технологии искусственного интеллекта способны сделать интеллектуальный причинно-следственный анализ и предсказать риск развития заболевании на основе всей медицинской истории конкретного пациента. Как известно, раннее обнаружение рака значительно увеличивает шансы на успешное лечение и выживание пациентов», — рассказала Елена Макарова, руководитель направления искусственного интеллекта Webiomed.

 

ЧИТАЙТЕ ТАКЖЕ:

ПРОРЫВ: российские ученые разработали уникальные наноматериалы — водорастворимые соединения для таргетной терапии болезни Альцгеймера



Специалисты готовы помочь (7):

Аксиненко Светлана Геннадьевна
Аксиненко Светлана Геннадьевна (Томск)
Архипов Александр Михайлович
Архипов Александр Михайлович (Томск)
клиническая лабораторная диагностика
Курносенко Анна Васильевна
Курносенко Анна Васильевна (Томск)
Максимкина Ирина Александровна
Максимкина Ирина Александровна (Томск)
Нечаева Светлана Александровна
Нечаева Светлана Александровна (Геленджик)
Шиканкова Мария Сергеевна
Шиканкова Мария Сергеевна (Томск)

ПОПУЛЯРНЫЕ СТАТЬИ