Мультимодельная программа для дифференциальной диагностики новообразований кожи
Проект представляет собой программу поддержки принятия врачебных решений (СППВР), которая помогает врачам первичного звена (ВОП и терапевтам) корректно проводить раннюю диагностику и маршрутизировать пациентов с новообразованиями кожи.
Описание проекта
Описание проекта
Система поддержки принятия врачебных решений для автоматизированной идентификации и дифференциальной диагностики доброкачественных и злокачественных новообразований кожи "Диагностика злокачественных новообразований кожи»
1. Паспорт проекта
Название проекта | Мультимодельная программа для автоматизированной визуальной идентификации и дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с модулями помощи при фотографировании, нормализации параметров фотоизображений и алгоритмами маршрутизации пациентов "Диагностика злокачественных новообразований кожи" ("Derma Onko Melanoma Check New") |
Стадия проекта | Зарегистрированная программа ЭВМ (для КПК и планшетных компьютеров под управлением Android) (offline-приложение) |
Область применения | Анализ медицинских изображений; система поддержки принятия врачебных решений (СППВР) |
Технология ИИ | Компьютерное зрение: свёрточные нейронные сети (CNN) и трансформеры; ансамблевая мультимодельная архитектура |
Где применяется | Медицинские организации, оказывающие первичную медико-санитарную помощь взрослому населению, в первую очередь — в регионах с дефицитом дерматовенерологов и онкологов |
Основные пользователи | Врачи первичного звена: врачи общей практики (ВОП), терапевты; бенефициары — пациенты, медицинские организации, органы управления здравоохранением |
2. Краткое описание
Проект представляет собой программу поддержки принятия врачебных решений (СППВР), которая помогает врачам первичного звена (ВОП и терапевтам) корректно проводить раннюю диагностику и маршрутизировать пациентов с новообразованиями кожи. По данным исследований, чувствительность врачей первичного звена в выявлении злокачественных новообразований (ЗНО) кожи составляет порядка 44,6%[1], поэтому врачам нужны простые инструменты с понятной интерпретацией для повышения выявления злокачественных новообразований.
На текущем этапе программа ЭВМ на основе технологий искусственного интеллекта реализована в виде offline-приложения (для КПК и планшетных компьютеров под управлением Android). Врач делает фотоснимок новообразования, программа анализирует фотоизображение и выдаёт категорию риска злокачественности (высокий, средний или низкий ) вместе с рекомендацией по маршрутизации(к онкологу, дерматовенерологу или под диспансерное наблюдение ВОП / терапевта).
[1] Неретин Е.Ю., Титов К.С., Запиров Г.М. Первичная ранняя диагностика меланомы кожи после индивидуального обучения врачей. Клиническая дерматология и венерология. 2023;22(1):99‑105.
3. Проблема и актуальность
Дифференциальная диагностика новообразований кожи - одна из ключевых задач клинической дерматологии и онкологии. Новообразования часто имеют схожую клиническую картину, и при осмотре без специальных инструментов, знаний и опыта установка правильного клинического диагноза является сложно выполнимой.
При этом в регионах сохраняется острый дефицит квалифицированных дерматовенерологов и онкологов, пациент с подозрением на новообразование кожи часто сначала попадает к ВОП или терапевту, у которых нет ни дерматоскопа, ни знаний, ни опыта работы с новообразованиями кожи. Существующие ИИ-решения либо ориентированы на специалистов, либо выдают только бинарный вердикт «доброкачественное / злокачественное», что недостаточно для принятия клинического решения о маршрутизации.
4. Решение
Главный компонент программы создан на основе теории тысячи мозгов Джеффа Хокинса с учетом клинического мышления и логики дерматовенерологов и онкологов. Программа представляет собой мультимодельную систему, сочетающую бинарные и многоклассовые модели, заключения которых объединяются в итоговый вердикт.
Одна модель ИИ (бинарной классификации) не решает задачи клинической диагностики и дифференциальной диагностики полностью: в дерматоонкологии есть не только доброкачественные и злокачественные заболевания, но и промежуточные, предраковые случаи. Мультиклассовая модель ИИ по точности уступает бинарной.
Архитектура проекта построена так, чтобы определять все категории через объединение заключений нескольких моделей ИИ — это и есть аналог клинического мышления.
Модели системы включают как свёрточные нейронные сети (CNN), так и трансформеры — это позволяет объединить сильные стороны разных архитектур. В наших расчётах используется не только формальная точность (техническая) диагностики с помощью программы, но и клиническая точность диагностики
Ключевое отличие от аналогов
Мультимодельная архитектура, отражающая логику клинического мышления врачей, а не одномоментное бинарное решение
Настраиваемый порог чувствительности. В одной из модулей ИИ установлен настраиваемый порог (на данном этапе — 62%), который можно регулировать под нужную чувствительность в конкретной медицинской организации
Клиническое мышление. Примером применнеия клинического мышления врача может служить ситуации с диагностикой новообразований кожи, схожих с базалиомами, которые направляются к дерматовенерологу (по клиническим рекомендациям он вправе провести цитологическую диагностику и поставить заключительный клинический диагноз), а не сразу к онкологу — это снижает нагрузку на онкологическую службу. Наиболее злокачественные новообразования кожи - меланомы при этом всегда направляются к онкологу сразу и напрямую.
Простой интерфейс для врача первичного звена — без необходимости интерпретации узко специализированного заключения
5. Архитектура системы
Архитектура состоит из четырёх функциональных модулей, объединяемых через голосование большинства (2 из 3). Отдельный блок контроля качества фотоизображений работает в реальном времени во время фотосъёмки — ещё до передачи фотоизображения в модели ИИ программы.
6. Данные и результаты
Объём данных
Для обучения: 135 000 изображений из открытых источников и собственного набора данных.
Для клинического тестирования: набор данных ФГБУ «Главный военный клинический госпиталь им. Н.Н. Бурденко» Минобороны России.
Ключевые результаты тестирования (n=342)
Определение формальной точности (технической) диагностики:
Точность: 89,7%.
Чувствительность: 100%.
Специфичность: 84,8%.
F1: 0.8634
Определение клиническая точность диагностики:
Диагноз | Всего | Совпадение (точный диагноз) | % совпадения | Совпадение по онконастороженности | % онко | Несовпадение | % несовпадения |
Базальноклеточный рак | 61 | 61 | 100.0% | 0 | 0.0% | 0 | 0.0% |
Меланома | 37 | 37 | 100.0% | 0 | 0.0% | 0 | 0.0% |
Кератоз актинический | 18 | 4 | 22.2% | 14 | 77.8% | 0 | 0.0% |
Невус диспластический | 22 | 10 | 45.4% | 11 | 50.0% | 1 | 4.5% |
Кератоз себорейный | 28 | 14 | 50.0% | 10 | 35.7% | 4 | 14.3% |
Невус приобретенный дермальный | 72 | 65 | 90.3% | 1 | 1.4% | 6 | 8.3% |
Невус голубой | 15 | 11 | 73.3% | 2 | 13.3% | 2 | 13.3% |
Невус приобретенный пограничный | 44 | 40 | 90.9% | 4 | 9.1% | 0 | 0.0% |
Невус приобретенный смешанный | 45 | 43 | 95.6% | 2 | 4.4% | 0 | 0.0% |
Итог: | 342 | 285 | 83.3% | 44 | 12.9% | 13 | 3.8% |
7. Практическая ценность и внедрение
Программа предназначена для врачей первичного звена ВОП и терапевтов, которые сталкиваются с новообразованими кожи и отсеивают доброкачественные случаи, снижая нагрузку на систему здравоохранения. Для них важны не замысловатые инструменты диагностики, а простые, с понятной интерпретацией и интерфейсом.
Основные эффекты внедрения:
• повышение чувствительности выявления злокачественных новообразований кожи при оказании первичной медико-санитарной помощи взрослому населению с 44,6% до уровня, достигающего 100%.
• сокращение длительности диагностики при установлениии заключительного клинического диагноза с 34 до 23 дней (при высоком риске злокачественности) и до 1–15 дней (при низком / среднем риске злокачественности)
• снижение нагрузки на систему здравоохранения за счет снижения количества необоснованных направлений к онкологам и дерматовенерологам, особенно ценно для отдаленных областей и регионов из-за нехватки квалифицированных специалистов дерматовенерологов и онкологов.
Интерес медицинских организаций
Интерес к апробации программы проявлен:
ФГБУ «ГВКГ им. Н.Н. Бурденко» Минобороны России
ФГБУ «3-й ЦВКГ им. А.А. Вишневского» Минобороны России
ГБУЗ «Городская клиническая онкологическая больница № 1 им. С.С. Юдина» ДЗМ
ГБУЗ МО «Московский областной онкологический диспансер».
8. Дорожная карта и планы
Завершение ведущейся разработки, добавление и имплементация в программу NLP-модуля для интеграции результатов анализа моделями ИИ фотоизображений с результатами клинического осмотра пациента врачем для повышения общей точности диагностики системой
Завершение ведущейся разработки и тестирование модуля объяснимого ИИ (XAI) с визуализацией областей фотоизображения, на которые модель ИИ обратила внимание при формировании заключения
Завершение ведущейся разработки модуля диспансерного наблюдения для отслеживания динамики новообразований кожи у пациентов с низким и средним риском
Организация
АНО ДПО "МОСКОВСКИЙ МЕДИКО-СОЦИАЛЬНЫЙ ИНСТИТУТ ИМ. Ф.П. ГААЗА"
Адрес сайта: https://www.ммси-гааза.рф/
Авторы проекта
Руководитель проекта
Куратор проекта
Руководитель проекта