ВВЕДЕНИЕ
Сердечно-сосудистые заболевания (ССЗ) остаются ведущей причиной смертности во всем мире, что обусловливает высокую актуальность разработки новых методов их диагностики и профилактики. В Российской Федерации борьба с ССЗ является приоритетным направлением национального проекта «Здравоохранение». Электрокардиография (ЭКГ) – фундаментальный, доступный и неинвазивный метод диагностики в кардиологии, однако его интерпретация требует времени и высокой квалификации специалиста.
В последние годы внедрение искусственного интеллекта (ИИ) в медицину демонстрирует значительный потенциал. Глобальный рынок ИИ в кардиологии показывает взрывной рост, составляющий 39,4% в годовом исчислении, с прогнозируемым объемом в 40,5 млрд долларов США к 2033 году [1]. Это свидетельствует о высоком спросе на подобные технологии и позволяет прогнозировать аналогичную траекторию развития для российского рынка.
Современные исследования подтверждают, что модели глубокого обучения способны не только классифицировать аритмии с высокой точностью, но и выявлять скрытые признаки, недоступные человеку, например, предсказывать фибрилляцию предсердий по ЭКГ синусового ритма [2, 3]. Модели, обученные на больших массивах данных 12-канальной ЭКГ, демонстрируют эффективность, сопоставимую с уровнем кардиологов, в диагностике широкого спектра патологий [2, 3].
В этом контексте целью проекта «CORINTEL.TECH» является разработка автоматизированного инструмента (веб-приложения) на основе машинного обучения, способного анализировать временные ряды ЭКГ и составлять по ним текстовую аннотацию.
МАТЕРИАЛЫ И МЕТОДЫ
Архитектура системы
Разработанное решение «CORINTEL.TECH» представляет собой программное обеспечение в виде веб-приложения, реализующее полный цикл обработки ЭКГ: от загрузки данных до генерации аннотации.
Обработка данных
Система предназначена для анализа электрокардиограмм в 12 отведениях. В качестве входных данных используются файлы в стандартных форматах хранения кардиологических данных HEADAT и EDF с 12-ю отведениями.
Модель машинного обучения
Ядром алгоритма является сверточная нейронная сеть (CNN). CNN-архитектуры хорошо зарекомендовали себя в анализе временных рядов, включая ЭКГ, благодаря их способности выявлять локальные паттерны и иерархические признаки.
Для повышения точности в архитектуру интегрирован механизм внимания (attention mechanism), который позволяет модели фокусироваться на наиболее диагностически значимых участках сигнала. Извлечение признаков из временного ряда кардиограммы осуществляется с помощью встроенного вейвлет-преобразования. Разработанная архитектура CNN способна точно определять переходные границы на картах (Фурье/вейвлет-преобразования).
Генерация аннотаций: Отличительной особенностью системы является использование открытой большой языковой модели (LLM). Эта модель принимает на вход набор диагностических признаков, выделенных сверточной нейронной сетью, и генерирует на их основе развернутую текстовую аннотацию.
Технологический стек: Программный код написан на языке Python с использованием фреймворка PyTorch для реализации нейронной сети.
База разработки: Проект реализован на базе «Цифровой кафедры» Сеченовского университета.
РЕЗУЛЬТАТЫ
В результате работы создан интеллектуальный ассистент «CORINTEL.TECH», позволяющий быстро и качественно оценить ЭКГ пациента.
Функциональные возможности:
- Стандартизированное заключение: Система формирует подробное заключение по стандартизированному шаблону.
- Выявление патологий: Алгоритм анализирует ЭКГ на предмет возможных патологий.
- Определение ЭОС: Реализована функция определения электрической оси сердца (ЭОС).
Решенные задачи и преимущества:
- Повышение скорости и точности диагностики: Сервис помогает врачам быстрее анализировать ЭКГ, что способствует более ранней диагностике и началу лечения.
- Экономия ресурсов: Автоматизация рутинного анализа ЭКГ освобождает время высококвалифицированных специалистов для непосредственной работы с пациентами.
- Обучение и развитие: Сервис может использоваться как образовательный инструмент для студентов-медиков и ординаторов.
- Масштабируемость: Разработанная нейросетевая архитектура потенциально может быть адаптирована для анализа любых других временных рядов.
Целевая аудитория
Основными пользователями системы являются врачи скорой медицинской помощи и фельдшеры, реаниматологи и анестезиологи отделений неотложной помощи, а также студенты и ординаторы медицинских вузов.
Текущий статус
На момент презентации проект находится на этапе дообучения нейросети. Создана архитектура, и идет процесс формирования базы данных аннотированных ЭКГ. Для проекта приобретено доменное имя «CORINTEL.TECH» и зарегистрирована интеллектуальная собственность.
ОБСУЖДЕНИЕ
Рынок ИИ-решений для кардиологии является высококонкурентным, что подтверждается как глобальными тенденциями, так и анализом существующих игроков, представленным в ходе исследования [3-6]. Мировые аналоги можно условно разделить на несколько категорий, в контексте которых «CORINTEL.TECH» занимает свою нишу.
- Персональные (B2C) устройства мониторинга
Ярким представителем этой группы является KardiaMobile 6L от компании AliveCor. Это портативное устройство, сертифицированное FDA, позволяет пациентам самостоятельно регистрировать ЭКГ в 6 отведениях и получать ИИ-анализ на предмет аритмий (прежде всего, фибрилляции предсердий).
В отличие от KardiaMobile, «CORINTEL.TECH» изначально ориентирован на клиническое применение (B2B и B2G) и работает с полным, диагностически более информативным 12-канальным стандартом ЭКГ.
- Платформы для координации и принятия решений
Такие компании, как Viz.ai (представленные в анализе как Viz Echo Viewer и Viz HCM), фокусируются на использовании ИИ для сканирования медицинских изображений (КТ, ЭхоКГ, ЭКГ) на предмет наличия жизнеугрожающих состояний (например, инсульта или гипертрофической кардиомиопатии). Их основная функция – не генерация отчета, а немедленное оповещение профильных специалистов, что ускоряет оказание помощи.
- Комплексные диагностические системы
Решения, такие как CorVista System, используют ИИ и вычислительное моделирование для неинвазивной оценки функциональных показателей, например, для выявления ишемической болезни сердца, что является более узкой, хотя и важной задачей.
Другие платформы, например, PMcardio, также предлагают интерпретацию 12-канальной ЭКГ, однако уникальность «CORINTEL.TECH» заключается в гибридном подходе.
Конкурентное преимущество «CORINTEL.TECH»
Ключевым отличием и преимуществом проекта является двухэтапная архитектура:
- Использование CNN с вейвлет-преобразованием и механизмом внимания для точного извлечения диагностических признаков.
- Применение большой языковой модели (LLM) для трансляции этих признаков в развернутую, связную текстовую аннотацию.
В то время как большинство существующих ИИ-систем предоставляют классификацию (например, «Нормальный синусовый ритм», «Фибрилляция предсердий») или флаги тревоги, «CORINTEL.TECH» нацелен на генерацию полноценного текстового заключения, имитирующего отчет врача-кардиолога. Это не только повышает клиническую ценность для опытных врачей, но и обладает высокой образовательной ценностью для студентов и ординаторов.
Ограничения и будущие направления
Основным ограничением на текущем этапе является необходимость формирования обширной базы данных аннотированных ЭКГ для завершения дообучения нейросети. Дальнейшие шаги должны включать не только техническую верификацию, но и полномасштабную клиническую валидацию для подтверждения точности и безопасности алгоритма в сравнении с заключениями квалифицированных кардиологов.
ВЫВОДЫ
Проект «CORINTEL.TECH» демонстрирует успешное применение гибридной модели ИИ, сочетающей сверточные нейронные сети и большие языковые модели, для решения сложной клинической задачи – аннотирования 12-канальной ЭКГ. Разработанное программное обеспечение имеет значительный потенциал для улучшения скорости и точности диагностики сердечно-сосудистых заболеваний, оптимизации рабочих процессов в медицинских учреждениях и повышения качества медицинского образования. Дальнейшие шаги включают завершение этапа дообучения модели на репрезентативной базе данных и проведение клинической валидации, что является обязательным этапом перед внедрением подобных технологий в широкую практику.
