Сотрудники Центра искусственного интеллекта Новосибирского государственного университета запатентовали метод, который помогает автоматически выделять самые важные для прогноза заболевания симптомы и показатели в электронных медицинских картах. Новый способ уже используют для «обучения» системы поддержки врачебных решений «Доктор Пирогов», чтобы она точнее распознавала симптомы и оценивала риски для пациента.
Разработка относится к области медицинской информатики и анализа больших массивов медицинских данных. По сути это алгоритм, который «просматривает» тысячи деперсонифицированных карт пациентов с одинаковым диагнозом и находит среди десятков и сотен полей те признаки, которые чаще всего встречаются у больных с этим заболеванием и сильнее всего влияют на постановку диагноза.
— Затем с помощью этого способа мы определяем, какие для заданных заболеваний симптомы более информативны, и используем их в системе поддержки принятия врачебных решений, — объяснил руководитель проектов Центра искусственного интеллекта НГУ, заведующий лабораторией ИИ и больших генетических данных ИЦиГ СО РАН Владимир Иванисенко.
Технически метод работает так: сначала множество электронных медицинских карт с одинаковым диагнозом приводят к единому виду и превращают в набор бинарных признаков (есть симптом или отклонение в анализе — единица, нет — ноль). Затем на этих данных обучают особый тип нейросети — так называемый Concrete Autoencoder, использующий механизм Gumbel-Softmax. Его особенность в том, что он не просто выдаёт итоговый прогноз, а выбирает конкретные признаки, которые дали наибольший вклад в результат. Чтобы отсеять случайные эффекты от случайной инициализации, модель прогоняют многократно, а затем по частоте «выбора» признаков выделяют устойчивый набор прогностически значимых симптомов и показателей.
Такой подход повышает достоверность автоматизированной обработки медицинских данных и, как следствие, точность постановки диагноза при использовании систем поддержки решений.
Одним из ключевых барьеров для внедрения ИИ в медицине специалисты называют трудности с интерпретацией выводов нейросетей: алгоритм выдаёт ответ, но врач не понимает, почему система «решила» именно так. Это снижает доверие и делает использование таких решений рискованным.
— Нейросети обычно дают какой‑то результат, который не обоснован, не интерпретируется исходя из того, как они его получили. Иначе обстоит дело с этим типом автокодировщиков. Они позволяют на выходе указывать конкретные признаки и симптомы больного, которые дают наибольший вклад в правильную постановку диагноза, — рассказал Владимир Иванисенко.
Таким образом, разработка НГУ решает сразу две задачи: остаётся в рамках современных методов искусственного интеллекта, но при этом делает результаты более понятными для врача. Врач видит, какие именно симптомы и отклонения анализов «подсветила» система как наиболее значимые при данном заболевании, и может сопоставить это со своим клиническим опытом.
Сейчас команда завершила патентование метода и занимается тонкой настройкой системы. Разработчики планируют представить результаты на Петербургском международном экономическом форуме. По словам Иванисенко, «с помощью нашей системы мы действительно научили “Доктора Пирогова” лучше распознавать симптомы».
Хотя разработку используют для настройки конкретной системы Центра искусственного интеллекта НГУ, она не привязан только к «Доктору Пирогову». Речь идёт о достаточно универсальном подходе к работе с электронными медицинскими картами, который можно встроить в самые разные системы поддержки принятия решения врачом.
Отдельное направление — создание рискомеров, которые оценивают вероятность развития заболевания у пациента по его данным.
— Это, в частности, наша система как раз и делает: определяет риски заболеваний по наличию определённых симптомов и показателей. Для любых систем, которые пытаются на основе симптоматики оценивать риски, критично понимать, на какие признаки обращать внимание, какие из них наиболее значимы, — отметил Иванисенко.
В перспективе подобные методы могут помочь сделать цифровую медицину более надёжной и понятной: алгоритмы будут не только выдавать прогноз, но и объяснять, на каких клинических признаках он основан. Это важно и для врачей, принимающих решения, и для пациентов, которым нужно доверять новым технологиям.
