91��ý

Исследовательская группа Казахского национального университета имени аль-Фараби реализует масштабный проект в области медицинского компьютерного зрения, направленный на создание нового поколения нейросетевых систем для анализа медицинских изображений. Проект «Разработка комбинированных моделей глубоких нейронных сетей для интерпретируемого анализа медицинских изображений» рассчитан на 2025–2027 годы и реализуется при грантовой поддержке в размере свыше 119 миллионов тенге в рамках приоритетного направления «Передовое производство, цифровые и космические технологии».

Острый инсульт — одно из наиболее критических неотложных состояний в медицине. Понятие «золотого часа» хорошо известно специалистам: именно в первые часы после сосудистой катастрофы быстрая и точная диагностика способна кардинально изменить прогноз для пациента — снизить смертность и минимизировать тяжёлые неврологические последствия.

Современная нейровизуализация, несмотря на значительный технологический прогресс, сталкивается с рядом системных проблем. Доступность методов диагностики остаётся ограниченной во многих регионах. Квалифицированных специалистов, способных оперативно и точно интерпретировать данные МРТ и КТ, катастрофически не хватает. Оценки разных экспертов нередко расходятся. Всё это формирует запрос на интеллектуальные системы, способные быстро, надёжно и прозрачно анализировать большие объёмы разнородных данных даже при ограниченном количестве размеченных примеров.

Искусственный интеллект и, в частности, глубокое обучение уже продемонстрировали выдающиеся результаты в обработке медицинских изображений. Однако именно здесь кроется ключевая проблема, которую берётся решить команда КазНУ: большинство успешных нейросетевых моделей работают как «чёрные ящики». Они выдают диагноз, но не объясняют, почему. Для клинической практики это неприемлемо — врач не может и не должен слепо доверять системе, логику которой он не понимает.

Центральная научная новизна проекта состоит в принципиально ином подходе к построению модели. Вместо того чтобы добавлять интерпретируемость «постфактум» — через дополнительные методы анализа уже обученной сети, — исследователи КазНУ встраивают прозрачность непосредственно в архитектуру нейронной сети.

Предлагаемая модель объединяет сверточную нейронную сеть (CNN) и классификатор на основе дерева решений, построенного на сходстве объектов (Similarity Based Decision Tree, SBDT). Скрытые признаки последнего сверточного слоя сети преобразуются в семантически значимые концепции — части объектов, анатомические ориентиры, патологические изменения, — которые специалисты могут интерпретировать осмысленно. Дерево решений визуализирует логику распознавания в виде последовательности правил, понятных врачу без специальных знаний в области машинного обучения.

Такой подход — «априорная интерпретация» — принципиально отличается от подавляющего большинства аналогов на рынке. Прозрачность решения встроена в модель изначально, а не является результатом дополнительного анализа. При этом целью является не только объяснимость, но и практическая применимость: созданная система в конечном счёте должна помогать врачу принимать более обоснованные клинические решения.

В дополнение к этому в проекте планируется интеграция федеративного обучения (Federated Learning) и сетей Колмогорова–Арнольда (KAN). Федеративное обучение позволяет обучать модели на данных из нескольких медицинских учреждений без их централизации, что критически важно для соблюдения конфиденциальности персональных данных пациентов. Архитектура KAN, основанная на теореме представления Колмогорова–Арнольда, обеспечивает моделирование сложных многомерных данных более интерпретируемым способом, повышая прозрачность принятия решений нейронной сетью.

Проект структурирован в семь взаимосвязанных задач. В рамках первой задачи будет разработана программная архитектура глубокой нейросети, объединяющей CNN, обучаемый слой визуальных паттернов и «мягкое» дерево решений (Soft Decision Tree, SDT), а также определены требования к представлению результатов, обеспечивающих понятность для специалистов.

Вторая задача предполагает создание репозитория аннотированных МРТ-снимков мозга. Медицинские эксперты — в том числе квалифицированный радиолог в составе команды — проведут отбор и аннотирование подтверждённых случаев острого инсульта и здоровых пациентов, формируя обучающие и тестовые наборы данных с разметкой патологических зон.

Третья задача — разработка понятных нейросетевых моделей, способных выделять значимые признаки и объяснять свои решения посредством логически вероятностных утверждений, доступных для понимания конечным пользователям.

Четвёртая задача — создание нейронных сетей, применяющих методы слабого контроля и самообучения (semi-supervised и self-supervised learning), которые способны эффективно работать с данными, имеющими неполные или ошибочные аннотации — типичная ситуация в медицинских базах данных.

Пятая задача включает разработку удобного пользовательского интерфейса для ввода данных и визуализации результатов с применением профессиональной медицинской терминологии, что упростит взаимодействие врача с системой.

Шестая задача — практическое клиническое тестирование разработанных моделей в качестве прототипа интеллектуальной системы для выявления острого инсульта по снимкам МРТ и КТ головного мозга.

Седьмая задача — сравнительный ретроспективный анализ, в ходе которого будут оценены специфичность, чувствительность, положительная и отрицательная прогностическая значимость разработанной системы в сравнении с экспертами-радиологами. Этот этап определит реальную диагностическую ценность созданного инструмента.

Основным обучающим массивом служит набор данных RSNA Intracranial Hemorrhage Detection Challenge, включающий 41 071 КТ-изображение головного мозга с аннотациями пяти подтипов внутричерепного кровоизлияния: эпидурального, интрапаренхиматозного, внутрижелудочкового, субарахноидального и субдурального. Эксперименты направлены на оценку и интерпретацию выводов моделей, выявление ключевых диагностических признаков и верификацию результатов для клинического применения. Для обеспечения корректности данных предусмотрены автоматизированные процедуры обнаружения аномалий и ручная валидация критических записей.

Результаты проекта будут опубликованы в международных рецензируемых журналах, индексируемых в Scopus и Web of Science. Разработанные модели могут применяться в качестве предварительно обученных при решении аналогичных задач медицинской диагностики, что открывает перспективы для широкого внедрения эффективных методов анализа данных за пределами исходной области применения.

Проект вносит вклад в выполнение государственных задач по цифровизации здравоохранения и развитию отечественных технологических компетенций. Созданная система способна стать надёжным интеллектуальным помощником для врачей, помогая принимать более точные решения в ситуациях, где на кону стоит человеческая жизнь.