Искусственный интеллект в медицине: нейросети для анализа системной гемодинамики

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Искусственные нейронные сети способны эффективно обрабатывать большие массивы данных, а также решать задачи предсказания, классификации и восстановления данных. В статье подробно рассмотрена каждая из перечисленных задач, изучены литературные источники, посвященные исследуемой теме. Искусственные нейронные сети справляются с поставленными задачами с высокой степенью точности. Описаны способы применения нейронных сетей для анализа системной гемодинамики. Современные нейросети могут анализировать медицинские данные и способны работать с неполными данными, находить в них скрытые закономерности, а также могут быть адаптированы для решения большого спектра задач. В нашей лаборатории осуществляется разработка искусственной нейронной сети, способной осуществлять классификацию показателей, описывающих состояние гемодинамики участников исследования, восстанавливать пропущенные или недостающие данные. Таким образом, искусственные нейронные сети могут выступать в качестве действенного метода анализа показателей системной гемодинамики.

Об авторах

Евгения Андреевна Соколова

Институт экспериментальной медицины

Автор, ответственный за переписку.
Email: evgeniia.ans@gmail.com
ORCID iD: 0009-0009-6024-4529

младший научный сотрудник лаборатории физиологии биоуправления отдела экологической физиологии

Россия, Санкт-Петербург

Тимофей Владимирович Сергеев

Институт экспериментальной медицины

Email: stim9@yandex.ru
ORCID iD: 0000-0001-9088-0619
SPIN-код: 4952-5143

канд. биол. наук, заведующий лабораторией физиологии биоуправления отдела экологической физиологии

Россия, Санкт-Петербург

Мария Валентиновна Куропатенко

Институт экспериментальной медицины

Email: kuropatenko.mv@iemspb.ru
ORCID iD: 0000-0003-4214-9412
SPIN-код: 5024-3499
Scopus Author ID: 57222538102

канд. мед. наук, доцент, ведущий научный сотрудник лаборатории физиологии биоуправления отдела экологической физиологии

Россия, Санкт-Петербург

Список литературы

  1. Zou J., Han Y., So S.S. Overview of artificial neural networks // Methods Mol Biol. 2008. Vol. 458. P. 15–23. doi: 10.1007/978-1-60327-101-1_2
  2. Bahmer A., Gupta D., Effenberger F. Modern artificial neural networks: Is evolution cleverer? // Neural Comput. 2023. Vol. 35, N 5. P. 763–806. doi: 10.1162/neco_a_01575
  3. Kulikowski C.A. An opening chapter of the first generation of artificial intelligence in medicine: The First Rutgers AIM Workshop, June 1975 // Yearb Med Inform. 2015. Vol. 10, N 1. P. 227–233. doi: 10.15265/IY-2015-016
  4. Myatra S.N., Jagiasi B.G., Singh N.P., Divatia J.V. Role of artificial intelligence in haemodynamic monitoring // Indian J Anaesth. 2024. Vol. 68, N 1. P. 93–99. doi: 10.4103/ija.ija_1260_23
  5. Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития // Территория науки. 2017. № 4. С. 83–87. EDN: ZXPNRL
  6. Munir K., Elahi H., Ayub A., et al. Cancer diagnosis using deep learning: a bibliographic review // Cancers. 2019. Vol. 11, N 9. P. 1235. doi: 10.3390/cancers11091235
  7. Li H., Boulanger P. Structural anomalies detection from electrocardiogram (ECG) with spectrogram and handcrafted features // Sensors. 2022. Vol. 22, N 7. P. 2467. doi: 10.3390/s22072467
  8. Akbilgic O., Butler L., Karabayir I., et al. ECG-AI: electrocardiographic artificial intelligence model for prediction of heart failure // Eur Heart J Dig Health. 2021. Vol. 2, N 4. P. 626–634. doi: 10.1093/ehjdh/ztab080
  9. Grün D., Rudolph F., Gumpfer N., et al. Identifying heart failure in ECG data with artificial intelligence – a meta-analysis // Front Digit Health. 2021. Vol. 2. P. 584555. doi: 10.3389/fdgth.2020.584555
  10. Ulloa-Cerna A.E., Jing L., Pfeifer J.M., et al. rECHOmmend: An ECG-based machine learning approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography // Circulation. 2022. Vol. 146, N 1. P. 36–47. doi: 10.1161/circulationaha.121.057869
  11. Oscanoa J.A., Middione M.J., Alkan C., et al. Deep learning-based reconstruction for cardiac MRI: a review // Bioengineering. 2023. Vol. 10, N 3. P. 334. doi: 10.3390/bioengineering10030334
  12. Онищенко П.С., Клышников К.Ю., Овчаренко Е.А. Искусственные нейронные сети в кардиологии: анализ графических данных // Бюллетень сибирской медицины. 2021. Т. 20, № 4. С. 193–204. EDN: XVBERA doi: 10.20538/1682-0363-2021-4-193-204
  13. Раджабов А.Г. Система поддержки принятия решений для диагностики патологий сердечно-сосудистой системы по рентгеновским изображениям грудной клетки // Доклады БГУИР. 2023. Т. 21, № 1. С. 98–103. EDN: UEZBKC doi: 10.35596/1729-7648-2023-21-1-98-103
  14. Чиков А.Е., Павлов Е.А., Егоров Н.А. и др. Моделирование физиологических показателей на уровне порога анаэробного обмена с использованием методов искусственного интеллекта // Человек. Спорт. Медицина. 2022. Т. 22, № S2. С. 46–53. EDN: MFTEDC doi: 10.14529/hsm22s206
  15. Осипова О.А., Концевая А.В., Демко В.В. и др. Использование элементов искусственного интеллекта в прогнозирующей модели персонализированного подхода к выбору фармакотерапии у больных хронической сердечной недостаточностью с умеренно низкой фракцией выброса ишемического генеза // Кардиоваскулярная терапия и профилактика. 2023. Т. 22, № 7. С. EDN: XLOMXO doi: 10.15829/1728-8800-2023-3619
  16. Буничева А.Я., Кочетов Е.В., Мухин С.И. Математическое моделирование построения нейросети для диагностики нарушений кровотока // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2022. № 3. С. 18–25. EDN: PTZOLL
  17. Deng X., Da F., Shao H. Hemodynamic analysis and diagnosis based on multi-deep learning models // Fluid Dynamics and Materials Processing. 2023. Vol. 19, N 6. P. 1369–1383. doi: 10.32604/fdmp.2023.024836
  18. Обухов А.Д., Коробова И.Л., Назарова А.О., Зайцева Д.В. Применение машинного обучения при анализе ЭЭГ для выявления фобической реакции в виртуальной реальности // Информационно-управляющие системы. 2023. № 4. С. 56–70. EDN: DJQEDW doi: 10.31799/1684-8853-2023-4-56-70
  19. Дударев В.А. Подход к заполнению пропусков в обучающих выборках для компьютерного конструирования неорганических соединений // Вестник МИТХТ им. М.В. Ломоносова. 2014. Т. 9, № 1. С. 73–75. EDN: SACGWV
  20. Desherevskii A.V., Zhuravlev V.I., Nikolsky A.N., et al. Problems in analyzing time series with gaps and their solution with the WinABD software package // Izvestiya, Atmospheric and Oceanic Physics. 2017. N 53. P. 659–678. EDN: XYGCRN doi: 10.1134/S0001433817070027
  21. Сташкова О.В., Шестопал О.В. Использование искусственных нейронных сетей для восстановления пропусков в массиве исходных данных // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2017. № 1(193). С. 37–42. EDN: YFNEYT doi: 10.17213/0321-2653-2017-1-37-42
  22. Agapova E.A., Anisimov A.A., Kuropatenko M.V., et al. Algorithm for the joint analysis of beat-to-beat arterial pressure and stroke volume for studying systemic vasoconstrictor and vasodilator responses. In: Velichko E., Kapralova V., Karaseov P., editors. International Youth Conference on Electronics, Telecommunications and Information Technologies. Springer, Cham. Springer Proceedings in Physics, 2022. Vol. 268. P. 97–102. doi: 10.1007/978-3-030-81119-8_10
  23. Физиология человека с основами патофизиологии: в 2 т. Т. 2 / под ред. Р.Ф. Шмидта, Ф. Ланга, М. Хекманна / пер. с нем. под ред. М.А. Каменской. 2-е изд., испр., электрон. Москва: Лаборатория знаний, 2021. 497 с.
  24. Adams J. Defending explicability as a principle for the ethics of artificial intelligence in medicine // Med Health Care Philos. 2023. Vol. 26, N 4. P. 615–623. doi: 10.1007/s11019-023-10175-7
  25. María Soledad Paladino M.S.P. Artificial intelligence in medicine. Ethical reflections from the thought of Edmund Pellegrino // Cuad Bioet. 2023. Vol. 34, N 110. P. 25–35. doi: 10.30444/CB.140
  26. Souza Filho E.M., Fernandes F.A., Pereira N.C.A., et al. Ethics, artificial intelligence and cardiology // Arq Bras Cardiol. 2020. Vol. 115, N 3. P. 579–583. doi: 10.36660/abc.20200143
  27. Krajcer Z. Artificial intelligence in cardiovascular medicine: historical overview, current status, and future directions // Tex Heart Inst J. 2022. Vol. 49, N 2. P. e207527. doi: 10.14503/THIJ-20-7527
  28. Гусев А.В., Шарова Д.Е. Этические проблемы развития технологий искусственного интеллекта в здравоохранении // Общественное здоровье. 2023. Т. 3, № 1. C. 42–50. EDN: TPHVPE doi: 10.21045/2782-1676-2023-3-1-42-50

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Наглядное представление выполнения задачи восстановления данных нейросетью

Скачать (175KB)
Метаданные
3. Рис. 2. Наглядное представление выполнения задачи предсказания данных нейросетью

Скачать (198KB)
Метаданные

© Эко-Вектор, 2024



Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».