Нижегородские ученые использовали нейросеть для точной диагностики сердечно-сосудистых заболеваний
На кафедре «Информатика и системы управления» Нижегородского государственного технического университета им. Р.Е. Алексеева разработали инновационный инструмент для диагностики сердечно-сосудистых заболеваний. Ученые предложили принципиально новый способ интерпретации ЭКГ-сигналов с помощью графовой нейронной сети. Полученное свидетельство о государственной регистрации программы для ЭВМ.
Сердечно-сосудистые заболевания остаются одной из основных причин смертности в мире. По данным Всемирной организации здравоохранения, они ежегодно уносят жизни около 18 миллионов человек. Ранняя диагностика патологий по данным электрокардиограммы (ЭКГ) критически важна для своевременного лечения, а современные технологии, основанные на применении искусственного интеллекта, позволяют автоматизировать анализ ЭКГ, повышая точность и скорость диагностики.
Разработка представляет собой инновационный подход к анализу ЭКГ-сигналов: графовая нейронная сеть моделирует ЭКГ в виде графа, где узлы соответствуют ключевым точкам (пикам зубцов P, QRS и T), а ребра отражают временные и амплитудные зависимости между ними. Такой метод позволяет эффективно извлекать сложные признаки и выявлять скрытые шаблоны, характерные для различных аномалий, включая аритмии.
Данный подход является новаторским, поскольку традиционные алгоритмы анализа ЭКГ базируются преимущественно на временных или частотных представлениях сигнала, что ограничивает их способность выявлять сложные взаимосвязи между компонентами.
«Использование графовых нейронных сетей в этой сфере значительно повышает точность диагностики и качество медицинской помощи, предоставляя врачам более обоснованные данные для принятия решений. Таким образом, разработка представляет собой важный шаг вперед в кардиологии и открывает новые горизонты для диагностики сердечно-сосудистых заболеваний», — отмечается в пресс-релизе вуза.
В настоящее время проект находится на этапе теоретической отработки и тестируется на открытых базах данных, идет обучение модели и оптимизация архитектуры нейронной сети. Тем не менее, архитектура уже показывает перспективные результаты в моделировании пространственно-временных зависимостей ЭКГ-сигналов. Каждый слой многослойной графовой нейронной сети интерпретирует данные с разной степенью абстракции — от первичных данных ЭКГ до высокоуровневых клинических признаков.
Программа, реализованная на языке Python и совместимая с различными операционными системами, обеспечивает качественный анализ электрокардиограмм с учетом пространственно-временных зависимостей, что повышает устойчивость к шуму и достоверность диагностики. Обучение на большом наборе размеченных ЭКГ-данных дает системе возможность выявлять скрытые паттерны и надежно определять аномалии, включая аритмии, а учет контекста каждого элемента ЭКГ существенно повышает точность и надежность диагностики.