Аспирант ТГУ "научит" нейросети распознавать болезни по сигналам ЭКГ

16.11.2020, 19:21
tvtomsk.ru
Поделиться:

Аспирант ИПМКН ТГУ Владимир Андрющенко разрабатывает методы и алгоритмы, которые позволят определять и прогнозировать изменение состояния пациента по сигналам ЭКГ.

Как сообщает пресс-служба ТГУ, учёный создаёт большую библиотеку медицинских данных, необходимую для машинного обучения компьютерной модели, которая будет верифицировать заболевания по медицинским сигналам.

По словам автора проекта, в настоящее время в мире нарастает потребность в персонализации медицины. Значительная часть данных, используемых для диагностики, до сих пор находится в аналоговом виде, что значительно снижает возможность их полноценного анализа. 

«Решить данную проблему можно за счет перехода на "цифру". Накопленные данные по одному пациенту или группе могут содержать полезную информацию не только о текущем состоянии здоровья, но и о начавшихся критических изменениях в организме человека»,
– говорит аспирант ИПМКН ТГУ Владимир Андрющенко.

На сегодняшний день уже существуют примеры успешного применения методов машинного обучения для обнаружения конкретного заболевания или класса болезней, но отсутствует универсальный способ обнаружения широкого спектра заболеваний. Для создания такого алгоритма требуется огромная обучающая выборка, которая будет иметь большое количество паттернов — повторяющихся элементов, характерных для каждого класса заболевания.

Задачей проекта, выполняемого при поддержке РФФИ, является формирование такой библиотеки данных. Наряду с паттернами, которые регистрируются при разных болезнях, в библиотеку будет включён большой массив результатов ЭКГ, полученных при обследовании здоровых людей. Обучение на этой выборке поможет искусственному интеллекту разделять норму и патологию, определять вид нарушения работы сердца.

«Поиск таких данных и создание обучающей выборки является нетривиальной задачей, для решения которой потребуется глубокое участие экспертов-медиков и огромное количество вычислительных ресурсов. Техническая база ТГУ позволяет проводить вычисления подобного уровня сложности»,
– отмечает научный руководитель аспиранта, директор ИПМКН ТГУ Александр Замятин.

В рамках нового проекта молодой учёный создаёт алгоритмы обучения компьютерной модели для классификации ЭКГ-сигналов, позволяющие построить эффективную нейросеть, избегая ее чрезмерной сложности. В задачи также входит разработка методики выделения паттернов электрических сигналов сердца здорового и больного человека. Впоследствии, анализируя эти паттерны, искусственный интеллект сможет выявлять разные виды кардиопатологий, например, диагностировать состояния, связанные с нарушением ритма сердца, – синусовую аритмию, синусовую тахикардию, экстрасистолию и другие.

Наряду с этим будут созданы алгоритмы анализа динамики изменений разновременных данных ЭКГ пациента, что позволит выявлять значимые изменения ещё до появления видимых симптомов. На финальном этапе будет предложен прототип программы для автоматического анализа ЭКГ и проведена апробация результатов на реальных данных медицинской диагностики.

Добавим, что новый IT-продукт, над созданием которого работает учёный ИПМКН, будет служить вспомогательным инструментом диагностики. Он поможет быстро и точно оценивать результаты ЭКГ, снижая вероятность ошибок, которые порой происходят из-за недостаточной квалификации либо перегруженности специалистов.

Нашли в тексте ошибку? Выделите её, нажмите Ctrl + Enter
ПРЕДЛОЖИТЬ НОВОСТЬ
WhatsApp для ваших новостей +7 903 915 42 10
63741
9
ЧИТАЙТЕ ТАКЖЕ

{{ inf.title }}

{{ inf.date1 }}, {{ inf.date2 }}
{{ inf.source }}
Поделиться:
{{ inf.photo_info }}
{{ inf.full_story }}
Нашли в тексте ошибку? Выделите её, нажмите Ctrl + Enter
ПРЕДЛОЖИТЬ НОВОСТЬ
ЧИТАЙТЕ ТАКЖЕ
Предложить новость:
Отправить
Предложить новость:
Ваше сообщение принято, благодарим за обращение!
Лента новостей
{{ news[0][1][0].date2 }}{{ news[0][1][0].title }}
{{ ( news[0][1][1] ) ? news[0][1][1].date2 : news[1][1][0].date2 }}{{ ( news[0][1][1] ) ? news[0][1][1].title : news[1][1][0].title }}
{{ n[0] | datetitle }}
{{ ln.date2 }}