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.

Где взять клинические данные для обучения нейронной сети?

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.

Показатели, необходимые для получения результата

Python и TensorFlow — выбор очевиден или нет?

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.

Текущее положение дел

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.

Результат исследования​

Ближайшие планы

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.

Наши планы:

  • Опубликовать результаты проведенных клинических исследований в научных рецензируемых изданиях, включенных в базы Scopus, Web of science, Google Scholar.
  • Получить грант для проведения крупномасштабной независимой клинической апробации метода.
  • Презентовать метод и результаты клинических исследований врачам-инфекционистам и специалистам смежных специальностей.

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.

0
10 комментариев
Написать комментарий...
TR in

Как пациент болевший гепатитом С с фиброзом 1 степени (+знакомые) могу сказать, что анализы на гепатит С есть в каждом подъезде. А фиброскан есть в любой клинике, частной тем более! Для кого Вы раздули эту "боль", для северян в тайге?

Чистой воды хайп на "модных технологиях". А врачи от скуки пошли поиграться.

Я понимаю вы бы выпустили полоски с тестерами для продажи в аптеках... Приложил и определили гепатиты всех мастей. Но это пока не реально.😉

К тому же есть уже лекарство, излечивающее гепатит С.

Вот работы по определению рака на ранних стадиях - это тема🎃

Ответить
Развернуть ветку
Valeri Tsvetkov
Автор

В Ленинградской области фиброскана в медицинских учреждениях нет. Пациентам приходится ехать в Санкт-Петербург и проходить исследование платно (средняя цена около 4000 рублей). На мой взгляд эта "боль" не раздута, я каждый день работаю с такими пациентами. В медицине, как и в других профессиях, есть специализация: тест-полосками и диагностикой рака могу Вас уверить тоже занимаются, но другие специалисты. Есть и отечественные проекты.

Ответить
Развернуть ветку
TR in

Вы просто время теряете.
1. Размер рынка (кто дико нуждается там где-то в деревне и не бывает в городе)
2. Существующие решения вполне доступны и не сложны. А также не требуют регулярности (разовая процедура).
3. Есть лекарство, полностью излечивающее геп.С (проверил, пропил курс 1-2 и гуляй)

Берите наработки и бегите в тему рака, пока муха, раздутая до слона, не лопнула...
Кроме приятных воспоминаний к пенсии о том, какие вы были крутые, может что-то реально нужное миру сделаете

Ответить
Развернуть ветку
Valeri Tsvetkov
Автор

Спасибо за отзыв! Конечно мы занимаемся и другими проектами. Как вы правильно заметили, здесь главное - освоить технологию и иметь свои наработки) Спектр применения AI технологий в медицине очень широкий и это далеко не только диагностика. Многие задачи, требующие решения, неочевидны и являются следствием внедрения в отрасль информационных систем и накопления больших массивов данных. Решение этих задач необходимо не столько самим пациентам, сколько специалистам и клиническим центрам.

Ответить
Развернуть ветку
Alexey Leshchenko

А вот, кажется, ребята в Китае похожее исследование делали на 490 пациентах: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6154783/

Ответить
Развернуть ветку
Valeri Tsvetkov
Автор

Спасибо за ссылку, только у них метод GB (дерево решений), а не нейронная сеть. Результаты, кстати, по AUC тоже похожи на наши, вот только у них грант был.

Ответить
Развернуть ветку
Лена Хатмуллина

Привет, коллегам врачам-программистам! Вы крутые! Удачи в развитии и продвижении проекта!

Ответить
Развернуть ветку
Valeri Tsvetkov
Автор

Спасибо за понимание!

Ответить
Развернуть ветку
Alexey Leshchenko

А можно ли для увеличения обучающей выборки взять анамнезы из архивов до 2018 года?

Ответить
Развернуть ветку
Valeri Tsvetkov
Автор

Конечно можно, только в нашем Центре количество подходящих обследованных пациентов все-равно ограничено. Накопление данных обучающего сета возможно за счет расширения сотрудников нашей команды и вовлечение в исследование других клинических центров. 

Ответить
Развернуть ветку
7 комментариев
Раскрывать всегда