Основная причина пропуска ранних стадий патологий и врачебных ошибок - ограниченные возможности зрения и знаний человека, мыслящего образами. Телевизионные методы, имитирующие алгоритмы зрительного обнаружения и распознавания человеком визуальных образов, позволяют:
1. Многократно увеличить контрастную чувствительность и градационную разрешающую способность комплекса «телевизионная система – зрение человека». В результате появляется возможность визуализации едва заметных и скрытых от человеческого глаза признаков ранних стадий патологий.
2. Использовать для визуального и машинного анализа диагностических изображений пациентов единые базы данных и знаний по изменениям яркостных, цветовых, геометрических и временных характеристик визуальных образов признаков здоровья и патологий. Следствием этого является логическая прозрачность для человека результатов машинного анализа и возможность сочетания преимуществ человеческого и искусственного интеллекта, имитирующего алгоритмы образного мышления человека.
3. Создать Интернет-центры интеллектуальной поддержки решений пациентов и врачей, представляющие собой человеко-машинные сети и обеспечивающие сочетание преимуществ визуального и машинного анализа и дешифровки диагностических изображений пациентов. Единое для пациентов и врачей описание визуальных образов и единое машинное описание признаков здоровья и патологий в виде изменений яркостных, цветовых, геометрических и временных характеристик визуальных образов - основа эффективного человеко-машинного интерфейса, позволяющего
- пациентам самостоятельно выявлять изменения визуальных образов признаков здоровья, нередко являющихся визуальными образами ранних признаков патологий;
- врачам в режиме реального времени выявлять едва заметные глазом изменения визуальных образов диагностических признаков здоровья и патологий;
- пациентам и врачам оперативно организовать врачебные консультации и консилиумы с использованием баз данных и знаний по изменениям признаков здоровья и патологий.
Проблема
При анализе диагностических изображений пациентов необходимо выявить либо изменения визуальных образов признаков здоровья до признаков патологий, либо изменения визуальных образов признаков патологий в процессе восстановления здоровья. Отсутствие стандартизованных визуальных образов признаков здоровья и различных патологий в изображениях пациентов, их изменчивость во времени и от пациента к пациенту не позволяют исключить врачей из диагностической цепочки. Однако, при визуальном анализе любых изображений пациентов от 40 до 60% пропуска признаков ранних стадий патологий не зависят от квалификации врача, а определяются характеристиками его зрительного обнаружения, а 80% врачебных ошибок связаны с неверной дешифровкой признаков патологий.
Для повышения точности медицинской диагностики используют различные системы медицинской визуализации, позволяющие определять состояние здоровья человека как по внешнему виду его наружных органов, так и по различным изображениям внутренних органов, тканей и клеток тела. Однако, сегодня нет единого подхода к моделированию, оценке качества и эффективности визуальных, машинных и человеко-машинных технологий анализа и дешифровки диагностических изображений пациентов. Затруднен их обоснованный выбор исходя из требуемой точности и допустимого для решения диагностической задачи времени. Нередко при анализе диагностических изображений пациентов отсутствует адаптация под характеристики зрительного обнаружения, знания и навыки врачей. При использовании систем медицинской визуализации врачебные ошибки вызваны также искажениями диагностических признаков и отсутствием логической прозрачности для врача результатов машинного анализа.
Польза
Интернет-центры интеллектуальной поддержки решений пациентов и врачей, сочетающие преимущества визуального и машинного анализа диагностических изображений пациентов с преимуществами человеческого и искусственного интеллекта при их дешифровке, позволят снизить пропуск ранних стадий патологий и врачебные ошибки при диагностике состояния здоровья пациентов.
Индикатор эффективности
Проценты снижения врачебных ошибок и пропусков ранних стадий патологий при анализе и дешифровке диагностических изображений пациентов.
Решение
1. Моделирование алгоритмов выявления и распознавания визуальных образов известных малоконтрастных объектов в тестовых изображениях
- при визуальном анализе и распознавании стандартным наблюдателем;
- при машинном анализе и распознавании;
- при сочетании преимуществ визуального и машинного анализа и распознавания.
2. Единая оценка эффективности различных вариантов выявления и распознавания визуальных образов известных малоконтрастных объектов в тестовых изображениях по критерию «результат/затраты» в координатах точности, времени и цены.
3. Тестирование характеристик зрения, знаний и навыков пользователей при выявлении и распознавании визуальных образов статистически достоверных признаков здоровья и патологий в тестовых диагностических изображениях пациентов.
4. Адаптация алгоритмов машинного анализа и распознавания под решаемые пользователями задачи с учётом результатов их тестирования (п.3).
5. Тестирование алгоритмов машинного анализа и распознавания статистически достоверных визуальных образов признаков здоровья и патологий в тестовых диагностических изображениях пациентов.
6. Выбор эффективной коллаборации человеко-машинного анализа и дешифровки диагностических изображений пациентов в зависимости от результатов предварительного тестирования (п.3, п.5), требуемой точности и допустимого для решения диагностической задачи времени.
7. Обучение пациентов навыкам эффективного выявления изменений визуальных образов признаков здоровья («нормы») в своих диагностических изображениях (п.6).
8. Обучение врачей навыкам эффективного анализа и дешифровки диагностических изображений пациентов с использованием машинных и своих баз данных и знаний по изменениям визуальных образов признаков здоровья и патологий в диагностических изображениях пациентов (п.6).
Ресурсы
1. Авторская методика имитационного моделирования телевизионных (человеко-машинных) алгоритмов анализа чёрно-белых и цветных изображений при решении оператором задач поиска и обнаружения, пространственной локализации и распознавания малоконтрастных объектов, анализа их изменений во времени. На основе авторской методики синтезирована серийная телевизионная установка для анализа рентгенограмм УАР-2, отмеченная 14 медалями ВДНХ СССР (1 золотая, 4 серебряные и 9 бронзовых) и апробированная в рентгенодиагностике, судмедэкспертизе, криминалистике и дешифровке космических снимков.
2. Научно-технический задел по алгоритмам повышения качества и эффективности человеко-машинного анализа и дешифровки чёрно-белых и цветных изображений с использованием алгоритмов компьютерного зрения и искусственного интеллекта, имитирующих алгоритмы зрения и образного мышления человека.
3. Для реализации проекта необходимо завершение НИОКР с защитой результатов интеллектуальной деятельности, новые медицинские и технические партнёры. Оценка объёма финансирования НИОКР на 3 года в 20 млн. руб. до выхода проекта на самоокупаемость. Подробности в презентации проекта.
Искусственный интеллект, Технологии хранения и анализа больших данных, Коллаборативные технологии, Технологии машинного обучения и когнитивные технологии, Персонифицированная медицина
Вконтакте
0