СИСТЕМА ПОДДЕРЖКИ КЛИНИЧЕСКИХ РЕШЕНИЙ С ОБРАБОТКОЙ МУЛЬТИМОДАЛЬНЫХ МЕДИЦИНСКИХ ДАННЫХ КАК СРЕДСТВО ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ РАБОТЫ ВРАЧА-РАДИОЛОГА

Лобанцев А.А. Система поддержки клинических решений с обработкой мультимодальных медицинских данных как средство повышения эффективности работы врача-радиолога // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 6. С. 893-897. doi: 10.17586/2226-1494-2020-20-6-893-897

Предмет исследования.Предложена система поддержки принятия клинических решений с использованием мультимодальных данных. Метод. При реализации системы использованы модели нейронных сетей. Для повышения качества предварительного анализа медицинских данных с использованием моделей нейронных сетей предложены методы переноса знаний с использованием доменной адаптации, обучения на мультимодальных данных и учета негативного переноса знаний. Алгоритмы нейронных сетей, с помощью которых осуществляется предварительный анализ исследования пациента, позволяют осуществлять анализ мультимодальных данных с учетом особенностей объединения модальностей, проводить обучение нейронных сетей с использованием техник доменной адаптации и учитывать явление негативного переноса знаний для повышения робастности нейросети к естественным шумам аппаратуры. Основные результаты.Предложенная система реализована в виде интернет-ресурса. Эффективность реализованной системы была оценена с помощью привлечения 30 экспертов: врачей, студентов, пациентов. Выполнена сравнительная оценка решения задач в различных сценариях с использованием предложенной системы и без нее. Эксперименты показали, что использование предложенной системы обеспечивает сокращение времени выполнения наиболее критичных этапов сценариев. Практическая значимость.Предложенная система размещена в домене Университета ИТМО и используется в практике работы ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России, а также учреждения здравоохранения «Городская детская инфекционная клиническая больница» (г. Минск).Система рекомендована к использованию в клинических больницах и индивидуальным практикующим и преподающим врачам-радиологам.

1. Rawson T., Moore L.S.P., Charani E., Castro-Sanchez E., Holmes A.H., Hernandez B., Herrero P., Georgiou P., Hayhoe B. A systematic review of clinical decision support systems for antimicrobial management: are we failing to investigate these interventions appropriately? // Clinical Microbiology and Infection. 2017. V. 23. N 8. P. 524–532. doi: 10.1016/j.cmi.2017.02.028

2. Reis W.C., Bonetti A.F., Bottacin W.E., Reis A.S.,Jr., Souza T.T., Pontarolo R., Correr C.J., Fernandez-Llimos F. Impact on process results of clinical decision support systems (CDSSs) applied to medication use: overview of systematic reviews // Pharmacy Practice. 2017. V. 15. N 4. P. 1036. doi: 10.18549/PharmPract.2017.04.1036

3. Maninis K.-K., Caelles S., Pont-Tuset J., Van Gool L. Deep extreme cut: From extreme points to object segmentation // Proc. 31st Meeting of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2018). 2018. P. 616–625. doi: 10.1109/CVPR.2018.00071

4. Aresta G., Jacobs C., Araújo T., Cunha A., Ramos I., van Ginneken B., Campilho A. iW-Net: an automatic and minimalistic interactive lung nodule segmentation deep network // Scientific Reports. 2019. V. 9. N 1. P. 11591. doi: 10.1038/s41598-019-48004-8

5. Zheng S., Guo J., Cui X., Veldhuis R.N.J., Oudkerk M., Van Ooijen P.M.A. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection // IEEE Transactions on Medical Imaging. 2020. V. 39. N 3. P. 797–805. doi: 10.1109/TMI.2019.2935553

6. Orenstein B. Virtually indispensable // Radiology Today. 2018. V. 19. N 12. P. 18.

7. Vatian A., Lobantsev A., Gorokhov N., Mirzayanov M., Korneev G., Gusarova N., Shalyto A. Data processing approaches for lung CT-image analysis under resource constraints // Multi Conference on Computer Science and Information Systems, MCCSIS 2019 – Proceedings of the 11th International Conference on e-Health 2019. 2019. P. 19–26. doi: 10.33965/eh2019_201910l003

8. Vatian A., Gusarova N., Dobrenko N., Dudorov S., Nigmatullin N., Shalyto A., Lobantsev A. Impact of adversarial examples on the efficiency of interpretation and use of information from high-tech medical images // Proc. 24th Conference of Open Innovations Association (FRUCT). 2019. P. 472–478. doi: 10.23919/FRUCT.2019.8711974

9. Lobantsev A.A., Gusarova N.F., Vatian A.S., Kapitonov A.A., Shalyto A.A. Comparative assessment of text-image fusion models for medical diagnostics // Информационно-управляющие системы. 2020. № 5. С. 70–79. doi: 10.31799/1684-8853-2020-5-70-79

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License