91��ý

Қазақ ұлттық университетінің (КазҰУ) зерттеушілер тобы медициналық суреттерді интеллектуалды талдауға арналған жаңа буын нейрондық желі жүйелерін әзірлеу бойынша ауқымды ғылыми жоба жүзеге асыруда. «Терең нейрондық желілердің комбинацияланған модельдерін медициналық суреттерді интерпретациялауға арналған талдау үшін әзірлеу» деп аталатын бұл жоба 2025–2027 жылдарды қамтиды және 119 миллион теңгеден астам грант қаражатымен қаржыландырылады.

Инсульт — адам өмірі үшін аса қауіпті жағдай. «Алтын сағат» ұғымы медицинада белгілі: инсульттен кейінгі алғашқы сағаттарда тиімді диагностика жүргізілсе, науқастың тірі қалу мүмкіндігі және кейінгі оңалту нәтижесі едәуір жақсарады. Дегенмен, бүгінде нейровизуализация саласы бірнеше маңызды кедергімен бетпе-бет: заманауи диагностика тәсілдеріне қол жеткізу шектеулі, жоғары білікті мамандардың жетіспеушілігі, сондай-ақ сарапшылардың бағалауындағы алшақтықтар осы салада елеулі мәселе болып отыр.

Жасанды интеллект технологияларын медициналық суреттерді талдауда пайдалану осы мәселелерді шешудің тиімді жолы ретінде қарастырылады. Алайда стандартты тереңдетілген нейрондық желілерді дамытудағы тәсілдер бірқатар кемшіліктерден арыла алмай отыр: үлкен деректер көлемінің қажеттілігі, оқыту процесінің ресурс сыйымдылығы, ал ең бастысы — нәтижелерді интерпретациялаудың қиындығы.

Нейрондық желі «қара жәшік» ретінде жұмыс жасаған кезде — яғни ол шешім шығарады, бірақ неге дәл осындай шешімге келгенін дәрігер түсіне алмайды — клиникалық практикаға ендіру өте күрделі болады. Медицинада қателердің бағасы адам өмірімен өлшенетіні белгілі. Осы себеппен КазҰУ жобасының басты міндеті — тек жоғары дәлдікті ғана емес, сонымен бірге дәрігерлер үшін түсінікті, интерпретацияланатын жүйені жасау.

КазҰУ зерттеушілерінің ұсынып отырған тәсілі ерекше: модель шешім қабылдаумен бірге оны ашып көрсетеді. Бұл мақсатта сверточные нейрондық желілер (CNN) мен ұқсастыққа негізделген шешімдер ағашы (Similarity Based Decision Tree, SBDT) ұштастырылады.

Дәстүрлі CNN-нің соңғы қабатларындағы жасырын белгілер семантикалық деңгейде — яғни суреттегі объектілердің бөліктері, анатомиялық белгілер, патологиялық өзгерістер тілінде — мамандарға түсінікті ұғымдарға айналдырылады. Шешімдер ағашының визуалды құрылымы дәрігерге сатылы логикалық ережелер тізбегі түрінде модель логикасын баяндайды. Мұндай «апри

ори интерпретация» тәсілі бар аналогтарданерекшеленеді: кейінгі талдауды (post hoc интерпретацияны) қолданбай-ақ, интерпретациялауды тікелей желі архитектурасына кіріктіреді.

Сонымен қатар, жобада федеративті оқыту (Federated Learning) мен Колмогоров–Арнольд желілерін (KAN) бірге қолдану жоспарланған. Федеративті оқыту деректерді орталықтандырмай бірнеше медициналық мекемеде бір мезгілде үйренуге мүмкіндік беріп, пациенттер деректерінің құпиялылығын қорғайды. KAN архитектурасы үздіксіз функцияларды бірөлшемді функциялардың қосындысы ретінде ұсыну арқылы көпөлшемді деректерді интерпретацияланатын түрде модельдейді.

Жоба жеті негізгі бағытта жүзеге асырылады. Біріншіден, CNN мен шешімдер ағашын біріктіретін терең желі архитектурасы жасалады. Екіншіден, инсульт жағдайларын қамтитын аннотацияланған МРТ-кескіндер репозиторийі мен науқастар деректер базасы құрылады — бұл деректерге медициналық сарапшылар патологиялық өзгерістерді белгілейді. Үшіншіден, шалаларланған және өзін-өзі үйрету тәсілдерін қолданатын — яғни толық немесе дұрыс белгіленбеген деректермен тиімді жұмыс жасай алатын — нейрондық желілер жасалады. Төртіншіден, дәрігерлер үшін медициналық терминологияны қолданатын интерфейс әзірленеді. Бесіншіден, жасалған модельдер острый инсультты МРТ және КТ арқылы анықтайтын прототип ретінде клиникалық тәжірибеге ендіріледі. Алтыншыдан, жасанды интеллект жүйесінің диагностикалық дәлдігі компьютерлік томографиядағы сарапшылармен ретроспективті талдау арқылы салыстырылады. Жетіншіден, нейрондық желілердің сезімталдық, өзіндік ерекшелік, оң және теріс болжамдық мәнділік көрсеткіштері кешенді бағаланады.

Зерттеу барысында RSNA Intracranial Hemorrhage Detection Challenge деректер жиынтығы, атап айтқанда ми кровоизлиянияларының бес ішкі түрін — эпидуральды, интрапаренхималды, іш қарыншалық, субарахноидалды және субдуральды — қамтитын 41 071 оқыту суреті пайдаланылады. Эксперименттер модель шешімдерін бағалау мен интерпретациялауды, клиникалық қолданысқа негізгі белгілерді анықтауды мақсат тұтады.

Жоба нәтижелері Scopus пен Web of Science базаларында индекстелетін халықаралық журналдарда жарияланады. Жасалған үлгілер мен алгоритмдер медициналық диагностиканың әртүрлі салаларында алдын ала үйретілген модель ретінде кеңінен қолданылуы мүмкін. Бұл жоба — жасанды интеллект технологияларын Қазақстан медицинасына ендіруде нақты қадам, миллиондаған адамның өмір сапасын жақсартуға бағытталған перспективалы бастама.