ФП Тест — нейронная сеть для диагностики поражения печени по результатам анализов крови

Опыт разработки новой медицинской технологии от идеи до конечного продукта без грантов и инвестиций.

Сегодня методы машинного обучения с успехом применяются в сфере медицины для создания новых диагностических методов и алгоритмов контроля за состоянием пациента.

Мы подумали, почему бы не применить все эти «высокие технологии» в нашей рутинной клинической практике. Наша команда — это прежде всего врачи-инфекционисты и эпидемиологи, а по совместительству еще и ученые из Санкт-Петербурга. Наши пациенты — это больные хроническими вирусными гепатитами. Нетрудно догадаться, что стадия поражения печени у таких пациентов — это ключевой клинический показатель определяющий дальнейшую тактику лечения и прогноз заболевания.

Чтобы определить стадию поражения печени пациенту необходимо потратить много личного времени и средств, так как существующие методы диагностики являются коммерческими и не входят в перечень медицинских услуг, оказываемых по полису ОМС. В регионах хоть сколько-нибудь отдаленных от центра такие исследования и вовсе отсутствуют, а вся ответственность ложиться уже на не искусственную нейронную сеть — интуицию местного врача.

Итак, мы начали разработку своей идеи отталкиваясь от конкретной медицинской проблемы и приступили к сбору клинических данных.

Создать и обучить нейронную сеть может каждый, ну или почти каждый. Однако в сфере медицины начинающий AI программист обязательно столкнется с главной проблемой — отсутствием в свободном доступе клинических данных для формирования обучающего сета. Именно на этом этапе «высокие медицинские технологии» заканчиваются, либо переходят в разряд автоматического анализа клинических изображений, которые хоть как-то можно найти в сети.

Единственный возможный выход из сложившейся ситуации — это прямое взаимодействие с врачом и проведение клинического исследования. Стоит отметить, что процесс этот очень сложный, долгий и полный взаимного непонимания. Ваш обучающий сет внезапно превращается в сотни реальных людей (пациентов), с каждым из которых нужно взаимодействовать: собрать анамнез заболевания, направить на необходимые обследования и дождаться результатов. Если в вашей команде нет врача, готового на безвозмездной основе заниматься всем этим, то этот процесс еще и очень дорогой.

Нам повезло и в нашей команде такие специалисты были, и это позволило нам в течение последних двух лет (2018-2019 гг.) собрать клинические данные более чем от 800 пациентов с хроническими вирусными гепатитами. Обучающий сет включал в себя демографические и биометрические данные пациентов, результаты клинического и биохимического анализов крови, а также результаты инструментальных исследований.

Первичный анализ полученных данных в R позволил нам выделить несколько ключевых показателей, которые мы решили использовать для обучения нейронной сети.

Если вы работаете с большими данными, изображениями или видео, то выбор Deep Learning платформы очевиден — это Python (почему?), а библиотека — TensorFlow (почему?).

В нашем проекте мы явно не имели дела с большими данными, поэтому вопреки всем ожиданиям и рекомендациям наших друзей в качестве платформы мы выбрали, внимание, Java Script. С самого начала у нас было понимание, что наш сервис должен быть доступен онлайн, а все вычисления лучше проводить на стороне клиента. Java Script идеально подходил для этого, а ничего невозможного не бывает)

Да, мы воспроизвели весь алгоритм обучения и работы многослойной искусственной нейронной сети на Java Script: метод обратного распространения ошибки с корректировкой весов по ADAM. И вот после нескольких бессонных ночей долгожданный результат — уменьшение средней ошибки в процессе обучения на нашем обучающем наборе данных и прекрасные результаты диагностики.

А что дальше? Опытные исследователи знают, что дальше необходима верификация работы метода на независимой тестовой выборке, а это значить, что опять нужно работать с пациентами. В нашу тестовую выборку нам удалось собрать клинические данные от 300 пациентов с хроническими вирусными гепатитами.

Точность метода для диагностики стадии фиброза печени и степени активности гепатита составила 79 %. Показатель, на наш взгляд, реалистичный и отражает возможности применения алгоритмов машинного обучения в данной области. Стоит отметить, что точность нашего метода оказалась сопоставимой с показателями дорогостоящих конкурентов, и это определило наши планы по дальнейшему развитию проекта.

Сегодня наш диагностический сервис доступен онлайн и позволяет любому врачу или пациенту быстро и бесплатно получить прогноз стадии поражения печени по результатам рутинного обследования. Для разработки проекта от идеи до конечного продукта нашей команде не потребовалось дополнительного финансирования в виде грантов или инвестиций. Однако стоит признать, что в абсолютном большинстве случаев клинические исследования — это очень дорого и невозможно без привлечения средств крупных инвесторов или государственной поддержки. В свою очередь привлечение средств в разработку «инновационных» медицинских решений не будучи резидентом Сколково дело очень неблагодарное.

Главной особенностью продвижения медицинской технологии является необходимость формирования доказательной научной базы. Если речь идет о новом методе диагностики, то для создания доказательной базы вам необходимо будет провести клинические исследования согласно стандарту GCP (Good Clinical Practice), которые подтвердят показатели информативности метода в сравнении с действующим «золотым стандартом». Публикация результатов исследования в рецензируемых издания — это отдельный этап, который может отнять у вашего инновационного проекта лишние два года успешного развития.

Ссылка на наш проект: ФП Тест — диагностика поражения печени

У нашей команды большие планы и неплохой опыт применения методов машинного обучения в медицине. Будем рады помочь начинающим исследователям советом и рассказать о своих алгоритмах обучения. Так же будем рады справедливой критике и поучениям от аксакалов области.