Аспирант ОмГТУ разработал ИИ-систему для определения фенотипов заболеваний ЖКТ

Большинство задач по машинному обучению студенты и исследователи решают на открытых или искусственно подготовленных датасетах. Однако автор проекта поставил перед собой более амбициозную цель – проверить возможности ИИ на реальных клинических данных. В распоряжение исследователя поступили обезличенные сведения о 281 пациенте. Каждый профиль содержал 112 показателей: от уровня стресса и пищевых привычек до выраженных симптомов и результатов лабораторных анализов. Назначение нейросетей состояло в том, чтобы не только отличать здоровых людей от болеющих пациентов, но и распределять последних по пяти различным фенотипам заболеваний ЖКТ.

Эксперименты показали закономерность: для алгоритмов машинного обучения записи о пищевых привычках оказались менее значимыми, чем специфика болевых симптомов и качество жизни. Очистка данных от «шума» и аномалий, а также работа с небольшими выборками позволили добиться выдающегося результата: модель в среднем правильно определяет фенотип заболевания у четырех из пяти пациентов. По словам ученого, для исследовательской задачи на несбалансированном медицинском наборе данных это высокий показатель.

Андрей Березин, аспирант ОмГТУ: «Возможность использовать реальные медицинские данные стала для меня самым ценным результатом этого проекта. Работа над этой задачей показала, что в исследованиях, связанных с искусственным интеллектом, итог зависит не только от выбранного алгоритма, но и от качества исходной информации. Именно такие междисциплинарные исследования, объединяющие ИИ и медицину, кажутся мне наиболее перспективными. Сейчас это направление получило дальнейшее развитие в рамках моей кандидатской диссертации, где я занимаюсь разработкой новых методов анализа данных и машинного обучения для решения сложных прикладных задач».

Анализ показал, что ИИ отлично справляется с одними группами пациентов, но имеет сложности с другими. Например, фенотип «Постинфекционный синдром раздраженного кишечника» модель классифицировала неверно, но причина кроется не в ошибке алгоритма, а в статистике: в тестовой выборке оказалось всего два пациента с таким диагнозом. Это подтверждает главный вывод исследования: для дальнейшего роста ИИ в медицине нужны не только новые алгоритмы, но и масштабные, сбалансированные базы данных.

Разработчик подчеркивает: созданный программный комплекс не является медицинским изделием и не может заменять врача-гастроэнтеролога. Он позволяет загружать массивы данных, гибко настраивать обучение моделей и сравнивать метрики качества. В дальнейшем это может поспособствовать развитию методов анализа информации на стыке ИТ и медицины.