В Health Samurai, независимом подразделении ИТ-компании WaveAccess, разработан модуль на базе алгоритмов машинного обучения для автоматического поиска холестериновых бляшек в шейных артериях по результатам ультразвукового сканирования. Разработка позволила повысить скорость расшифровок в 5 раз. Проект выполнен по заказу медицинской компании из США, поставщика высокотехнологичного решения для оценки состояния артерий.

Решение, позволяющее оценить состояние шейных артерий, включает портативный сканер и сервис подробной расшифровки результатов сканирования опытными техниками. Услуга предоставляется медучреждениям и врачам частной практики в США компанией-поставщиком высокотехнологичного медоборудования. Ранее специалисты по расшифровке просматривали всю полученную видеозапись длиной в среднем 5 мин, кадр за кадром проверяя состояние артерии, чтобы выявить репрезентативные для врача снимки и определить на них наличие холестериновых бляшек. Измерение толщины стенки артерии и ее диаметра, определение формы, размеров и расположения бляшек также выполнялись вручную. Подготовка одного заключения могла занимать несколько часов.

Стандартные программные решения не позволяли автоматизировать процесс «чтения» сканов без участия специалиста с медицинским образованием. С ростом числа пользователей поставщику решения приходилось увеличивать штат высокооплачиваемых техников, росла и цена услуги. При этом скорость и качество сервиса не менялись. Чтобы сделать систему конкурентоспособной, требовалось ускорить работу текущего штата специалистов и одновременно повысить точность расшифровок.

Решить проблему удалось благодаря модулю на базе алгоритмов машинного обучения, разработанному Health Samurai. Нейросеть помогает определять области нахождения артерий и распознавать холестериновые бляшки. После обучения система научилась отличать обычный «шум» на видеозаписи от аномалии и находить нужные кадры с высоким процентом точности. Модуль делит запись на отдельные кадры и предлагает технику пять самых качественных снимков с наиболее удачной областью для измерения диаметра стенки артерии. Система также предлагает специалисту 20 снимков артерии, где выделены области, представляющие интерес. С задачей по расшифровке записи для измерения диаметра стенки артерии алгоритмы справляются с точностью около 95%, с задачей по поиску кадров с потенциальными аномалиями – с точностью 80%.

Разработка позволила ускорить работу специалистов по расшифровке в 5 раз, поскольку теперь не требуется просматривать всю запись целиком. Снизилась вероятность ошибки, связанной с человеческим фактором, и как следствие выросла конкурентоспособность решения для оценки состояния артерий: врачи, пользователи услуги расшифровки результатов сканирования, получают более точный результат за более короткий срок.