Как российский стартап развивает технологии, которые помогают врачам

Нейросеть MedTech AI — технология для обработки и анализа рентгеновских снимков опорно-двигательного аппарата, которая помогает ставить диагнозы. Проект развивает российская команда «ИИ МедТех» из разработчиков, дата-сайентистов и ученых в области медицины.

О том, как нейросеть упрощает работу врачей, как ее создавали, с какими трудностями столкнулись, что помогло на старте и как привлекали инвестиции, рассказывают Олег Рогов, Head of Data Science проекта, и Павел Иккерт, генеральный директор компании «ИИ МедТех».

В медицине важна первичная диагностика. Оперативно определить сложную костную патологию по одному снимку или даже КТ не всегда возможно. Пока врач изучает результаты исследования и принимает решение, другие пациенты ожидают в очереди.

Нейросеть, разработанная в MedTech AI, анализирует снимок, локализует (сегментирует) проблемный участок и оценивает его за несколько секунд. Врач получает второе мнение и может опереться на него, принимая решение. Наша система по обработке медицинских данных исследований опорно-двигательного аппарата уже прошла предварительные клинико-технические испытания (ПКТИ) и апробацию в федеральных медицинских центрах России.

Нейросеть не заменяет врачей и их экспертизу, однако позволяет существенно облегчить им работу. В процессе апробации мы собирали обратную связь от ряда медицинских специалистов-радиологов. Вот как им помогает нейросеть:

1. Снижает вероятность ошибочного диагноза. При высокой нагрузке врачам сложно одинаково внимательно изучить первый снимок за смену и последний. Алгоритмы нейросети подсветят врачу проблемы, на которые нужно обратить внимание.
2. Помогает быстрее принимать решения. Врачу не придется долго изучать снимок, сравнивать его с другими или, например, ждать коллегу, чтобы посоветоваться. Оценка снимка нейросетью помогает врачу быстрее вести прием и консультировать больше пациентов. Пациенты меньше времени проводят в медицинском учреждении и оперативнее начинают лечение.
   
3. Помогает обучать интернов. Второе мнение важно для врачей-интернов, у которых нет достаточного опыта. С нейросетью они смогут принимать решения на основе объективных данных и быстрее учиться распознавать симптомы на снимках.

Рассказывает Олег Рогов, Head of Data Science компании MedTech AI и основатель проекта VeinCV.

Работу в области искусственного интеллекта я начал с задач машинного зрения и распознавания образов, когда еще был сотрудником одного из крупных российских банков. В то время параллельно учился в аспирантуре. Мне было интересно расширить области применения полученных знаний и увидеть реальный результат от них на практике.

В аналитическом центре мы занимались обработкой данных различных модальностей и построением предиктивных моделей. После начала научной деятельности в Сколтехе я полностью перешел к задачам ИИ для медицинского зрения и вычислительных методов формирования изображений.

Активная работа с ведущими специалистами по машинному обучению и медицине привела к пониманию: можно развивать интересные приложения на стыке современных достижений компьютерных наук и актуальных задач медицины. К таким задачам, например, относится проблема высокой нагрузки на врачей при выполнении рутинных измерений. Эта проблема стала особенно актуальной во время пандемии, когда через радиологов проходили сотни серий КТ в день. Решить проблему можно путем автоматизации этих измерений.

С одной стороны, на выбор повлияли тренды рынка: сфера медтеха активно растет во всем мире, в том числе в России. С другой — было желание развивать социально значимый проект. На это, на самом деле, повлияла личная история. Мой дипломный руководитель ушел из жизни из-за несвоевременной диагностики онкологического заболевания. Очереди в медицинских центрах к высококлассным специалистам, через которые ему пришлось пройти, вспоминаю до сих пор.

Поэтому решил создавать технологию, которая поможет избежать ошибок при диагностике патологий, охватить как можно больше пациентов, не снижая при этом качество медицинской помощи, и не терять драгоценное время. Это был серьезный, но интересный вызов.

Хотя медтех сегодня — наукоемкая и ресурсоемкая сфера, проблем с мотивацией и желания бросить не было. Вся команда в проекте — это выпускники технических вузов: МГУ, МФТИ, НГУ. Они со времен учебы хорошо знакомы со сложными задачами и системным подходом к их решению, привыкли работать на результат высокого уровня.

Уже на старте проекта мы использовали довольно сложные модели, которые подразумевают высокопроизводительные вычисления на графических процессорах.

Когда в 2023 году решили диверсифицировать проект, нужно было кратно и быстро увеличить мощности. Но на тот момент не было финансовой возможности постоянно докупать серверы, чтобы обучать тяжелые модели. Поэтому решили перейти на реализацию проекта в облаке.

MedTech AI обрабатывает данные пациентов. Хотя они и обезличенные, при выборе облака важны были его надежность и безопасность. Плюс решение должно было быть легко масштабируемым и вписываться в бюджет нашей начинающей компании. Для эффективной обработки медицинских снимков нужны были выделенные облачные серверы с графическими ускорителями (GPU). Из дополнительных плюсов: его установка с нуля занимает меньше дня.

Облако VK Cloud аттестовано по федеральному закону №152 «О защите персональных данных» и соответствует требованиям по работе с медицинской информацией. S3-хранилище отвечало нашим техническим требованиям для реализации проекта и давало возможности масштабирования.

После веновизора начали работать над комплексом диагностики переломов лучезапястного сустава, которому тоже нужны были вычислительные мощности. Чтобы запустить это решение на апробацию, нужно было, чтобы врач смог подключиться к модели. Поэтому опять-таки нужна была облачная инфраструктура, которую удалось получить по гранту VK Cloud.

В процессе работы над проектом было три технических вызова, с которыми команда справилась:

1. Проблема обучения на открытых данных. Данных для некоторых задач не всегда хватает. Проект стартовал с небольшого набора данных, поэтому пришлось выдумывать хитрые способы их прироста. Дальше стало проще. Подключились клинические специалисты и сделали свою разметку данных. Это обеспечило высокую точность моделей.
2. Проблема доменной адаптации. Исследования выполняют на различных приборах. Результаты формируют общую базу для обучения модели. Важно было, чтобы модель работала одинаково эффективно с данными со всех устройств. Пришлось решать проблему доменной адаптации, чтобы устойчивость модели сохранялась при переходе от одного домена к другому.
   
3. Стандартизация и оптимизация пайплайна обучения. У специалистов в команде были разные подходы к предобработке данных. Нужно было время, чтобы стандартизировать и оптимизировать процесс.

На старте компания сталкивается с недостатком ресурсов. Чтобы реализовать сложный технический проект в таких условиях, пришлось:

• Самостоятельно растить джунов. Обучать специалиста тоже трудозатратно — на это нужно время. Но это позволило сэкономить деньги на старте. Сейчас в компании есть специалисты, которые присоединились на ранних этапах и выросли вместе с компанией.
• Взять на себя большой пласт работы. Чтобы сэкономить ресурсы, в начале пути я совмещал роли фронтенд- и бэкенд-разработчика, руководителя Data Science, который обучает команду, и бизнес-стратега.
  
• Оптимизация внутренних ресурсов команды. Благодаря тому, что лично готовил специалистов, знал их сильные стороны. Поэтому было проще эффективно распределять ресурсы команды между задачами: каждый делал то, в чем он лучше.

На старте флагманского проекта с веновизором в 2021 году объем инвестиций был небольшой — около 6 млн рублей на базовые технологии для VeinCV, которые получили за счет гранта в Сколково.

Расширяли линейку продуктов за свой счет. Для этого выполняли заказы по немедицинскому направлению. Хотели решить как можно больше стартовых задач без привлечения стороннего капитала, чтобы получить максимально готовый продукт. Цель — привлечение инвесторов уже на поздней стадии реализации проекта, на этапе внедрения ПО по диагностике переломов.

Кроме технологии для анализа рентгеновских снимков опорно-двигательного аппарата, в клинической апробации сразу несколько решений для КТ и МРТ, преимущественно по онкологии. Сейчас совершенствуем обучение моделей — делаем процесс быстрее, чтобы эффективнее использовать текущие вычислительные мощности. Для этого оптимизируем нейросети и сокращаем время их непрерывной работы на конечном устройстве.

В планах масштабирование, для которого потребуются новые мощности. В этом помогает облако. Можем деплоить модели прямо из репозитория, а наш технологический стек нативно вписывается в инфраструктуру облачного решения.