Медицина ИИ
Наша цель — создание экосистемы интеллектуальных сервисов для возможности получения второго мнения (ассистент, основанный на алгоритмах ИИ) в различных направлениях диагностики, альтернативы замены стандартных интерфейсов, а также обучающих интерактивных платформ. Мы разрабатываем инновационное отечественное ПО для здравоохранения и внедряем технологии машинного обучения (ML) в практику врачей.
Предстоящее выступление · Конгресс «ЭХО белых ночей - 2026»
Председатель: проф. Саидова Марина Абдулатиповна (НМИЦ кардиологии им. ак. Е.И. Чазова)
Подробнее о секции и докладе
В секции передовых технологий будут представлены новейшие мировые достижения в области автоматизации и искусственного интеллекта в ультразвуковой диагностике сердца. В одном заседании с нашим докладом выступает проф. Robert McNamara (Йельский Университет, США) с темой «Искусственный интеллект и эхокардиография» ("Artificial intelligence and echocardiography"), а также ведущие российские эксперты по спекл-трекингу и оценке диастолической функции (проф. М.А. Саидова, д.м.н. М.Н. Алехин, д.м.н. С.А. Ковалёв, к.м.н. Ю.Н. Юргелас).
В докладе коллектива «Медицина ИИ» и МОНИКИ им. М.Ф. Владимирского будут представлены результаты клинической апробации гибридных алгоритмов компьютерного зрения (Two-Pass Self-Calibration) для автоматической покадровой синхронизации сердечных циклов без аппаратного ЭКГ-кабеля и количественной оценки нарушений локальной сократимости (СППВР) при стресс-эхокардиографии на УЗ-сканерах любого класса.
Команда
Общедоступные ресурсы
Внутренние сервисы
Войдите, чтобы увидеть список.
События (прошедшие)
Тезисы — полный текст
Цель. Разработать и валидировать программную систему поддержки принятия врачебных решений на базе искусственного интеллекта (ИИ) для синхронизации фаз сердечного цикла без использования аппаратного ЭКГ-триггера и автоматической детекции нарушений локальной сократимости при стресс-эхокардиографии (Стресс-ЭхоКГ).
Материалы и методы. В исследование включены деперсонализированные эхокардиографические видеопетли. Сформирован мульти-вендорный обучающий набор данных (более 3000 пар видеопетель «покой–нагрузка»). Верификация данных проводилась врачами функциональной диагностики с применением методики взвешенного консенсуса. Разработан гибридный алгоритм (Two-Pass Self-Calibration), исключающий необходимость аппаратной ЭКГ-синхронизации, использующий 3D-сверточные нейронные сети (архитектура R3D-18) для пространственно-временной классификации стандартных сечений и модель семантической сегментации (DeepLabV3) для выделения границ левого желудочка. Для объективизации оценки зон гипокинеза и акинеза применялся анализ плотного оптического потока (Dense Optical Flow).
Результаты. Разработанная модель автоматического распознавания стандартных эхокардиографических позиций (PLAX, SAX-PM, 4CH, 2CH, APLAX) непосредственно в видеопотоке продемонстрировала точность классификации >90%. Применение предложенного алгоритма позволило успешно синхронизировать фазы сердечного цикла (систолу и диастолу) исключительно на основе анализа кинетики стенок миокарда, без использования аппаратного ЭКГ-триггера. Оценка движения миокарда на основе оптического потока с формированием тепловых карт (heatmaps) показала высокую степень совпадения с экспертным визуальным анализом врачей с опытом проведения более 10 000 исследований.
Заключение. Внедрение гибридных методов компьютерного зрения позволяет проводить экспертную Стресс-ЭхоКГ на ультразвуковых сканерах любого класса без необходимости их аппаратной модернизации специализированными программно-аппаратными модулями и блоками регистрации ЭКГ. Предложенная технология ИИ-синхронизации и детекции ишемии снижает операторозависимость метода, оптимизирует время проведения исследования и минимизирует риски диагностических ошибок при выявлении ишемической болезни сердца.
Источник финансирования: нет.