КОНЦЕПЦИЯ ПОСТРОЕНИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ В ЭНДОСКОПИИ ЖЕЛУДОЧНО-КИШЕЧНОГО ТРАКТА

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Рассматривается задача построения системы поддержки принятия врачебного решения для эндоскопических исследований желудочно-кишечного тракта на основе нейросетевых методов и алгоритмов анализа видеоданных. Для ее решения предлагается структура системы искусственного интеллекта, работающая с учетом специфики видеоэндоскопических исследований. Материалы и методы. Для построения системы используются методы глубокого машинного обучения. В качестве ядра для ключевых алгоритмов обработки видеопотока используются нейросетевые архитектуры семейства YOLO, а также трансформенные архитектуры. Результаты и выводы. Для исследований желудочно-кишечного тракта на основе анализа эндоскопических видеопоследовательностей, а также современных нейросетевых методов и алгоритмов предложена концепция построения системы поддержки принятия врачебных решений (СППВР). На базе двух медицинских учреждений проведена ее опытная эксплуатация. Установлено, что разработанную на основе предложенной концепции СППВР можно использовать во время проведения эндоскопического обследования пациентов. Кроме того, данная система оказалась достаточно эффективной при мониторинге скринингового исследования в части контроля качества его проведения, выполненного по записи результатов в медико-информационную систему учреждения здравоохранения.

Об авторах

Владимир Вячеславович Хрящев

Ярославский государственный университет имени П. Г. Демидова

Автор, ответственный за переписку.
Email: v.khryashchev@uniyar.ac.ru

кандидат технических наук, доцент, доцент кафедры цифровых технологий и машинного обучения

(Россия, г. Ярославль, ул. Советская, 14)

Список литературы

  1. Демидова Л. А., Титов С. Б. Гибридные алгоритмы анализа и обработки данных в задачах интеллектуальной поддержки принятия решений. М. : Горячая линия – Телеком, 2017.
  2. Рамеев О. А. Основы теории принятия решений в организационных системах управления. М. : Горячая линия – Телеком, 2023.
  3. Khodashahri N. G., Sarabi M. M. H. Decision support system (DSS) // Singaporean Journal of Business Economics and Management Studies. 2013. Vol. 1, № 6. P. 95–102.
  4. Dinevski D., Sarenac T., Bele U. Clinical Decision Support Systems // Telemedicine Techniques and Applications. 2011. № 1. P. 185–210.
  5. Кирсанова А. В. Современное состояние и перспективы развития экспертных медицинских систем // Новый университет. Сер.: Технические науки. 2015. № 11. С. 45–46.
  6. Фролова М. С., Фролов С. В., Толстухин И. А. Системы поддержки принятия решений для задач оснащения лечебных учреждений медицинской техникой // Университет им. В. И. Вернадского. Специальный выпуск. 2014. № 52. С. 106–111.
  7. Лудупова Е. Ю. Врачебные ошибки. Литературный обзор // Вестник Росздравнадзора. 2016. № 2. С. 6–15.
  8. Варданян Г. Д., Аветисян Г. А., Джаноян Г. Дж. Врачебные ошибки: современное состояние про- блемы // Медицинская наука Армении НАН РА. 2019. № 4. С. 105–119.
  9. Авшаров Е. М., Абгарян М. Г., Сафарянц С. А. Обработка медицинских изображений как необходимый инструментарий медицинского диагностического процесса // Вестник рентгенологии и радио- логии. 2010. № 3. С. 54–61.
  10. Палевская С. А., Короткевич А. Г. Эндоскопия желудочно-кишечного тракта. М. : ГЭОТАР-Медиа, 2020. 752 c.
  11. Куваев Р. О., Никонов Е. Л., Кашин С. В. [и др.]. Контроль качества эндоскопических исследований, перспективы автоматизированного анализа эндоскопических изображений // Кремлевская меди- цина. Клинический вестник. 2013. Т. 2. С. 51–56.
  12. Кашин С. В., Никонов Е. Л., Нехайкова Н. В., Лилеев Д. В. Стандарты качественной колоноскопии (пособие для врачей) // Доказательная гастроэнтерология. 2019. № 8. С. 3–32.
  13. Николенко С. И. Машинное обучение: основы. СПб. : Питер, 2025. 608 с.
  14. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М. : ДМК-Пресс, 2017. 652 с.
  15. Хрящев В. В., Завьялов Д. В., Андержанова А. С. Классификация эндоскопических изображений устья червеобразного отростка на основе методов глубокого машинного обучения // Цифровая обработка сигналов. 2023. № 1. С. 35–38.
  16. Хрящев В. В. Использование методов глубокого машинного обучения в задаче обнаружения купола слепой кишки на видеоданных колоноскопического исследования // Модели, системы, сети в экономике, технике, природе и обществе. 2023. № 4. С. 133–141.
  17. Хрящев В. В. Сегментация изображений полипов при колоноскопическом исследовании с использованием нейронных сетей // Биомедицинская радиоэлектроника. 2023. Т. 26, № 4. С. 66–72.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».