Искусственный интеллект может помочь в улучшении диагностики неврологических заболеваний
Ожидается, что с помощью ИИ время анализа сократится, а точность диагностики повысится.
2 мин. чтения
Согласно исследованиям, искусственный интеллект может улучшить точность диагностики эпилепсии. Применение ИИ позволит сократить время анализа и достичь более высокой точности диагностики.
Что такое эпилепсия?
Эпилепсия — это хроническое неврологическое заболевание, которое проявляется внезапными приступами. По данным ВОЗ, эпилепсия является одним из самых распространённых неврологических заболеваний в мире, и около 50 миллионов человек страдают от его последствий. Около 70% пациентов с эпилепсией могут жить без приступов, если поставлен правильный диагноз и проведено соответствующее лечение.
Основная задача диагностики эпилепсии — определить тип приступа и его причины. Обычно это требует длительного наблюдения за пациентом в больнице (до нескольких дней), во время которого проводится электроэнцефалография (ЭЭГ) для записи активности мозга. Затем врач анализирует полученные данные для выявления признаков эпилепсии, что может занять много времени и повлиять на объективность результатов.
Экономия времени с помощью ИИ
Исследователи Балтийского федерального университета предложили новый метод диагностики эпилепсии, основанный на использовании каскадной системы, объединяющей ИИ и экспертные знания в области физиологии эпилепсии. По их мнению, этот метод значительно повысит точность выявления эпилептических приступов на электроэнцефалограммах.
— Система отмечает места возможных эпилептических приступов и проводит первичный анализ записи. Затем врач проверяет эти места, подтверждая или отвергая выводы системы, — пояснил старший научный сотрудник Балтийского центра нейротехнологий и ИИ Вадим Грубов. — Такая комбинация автоматического анализа и экспертной оценки позволяет значительно сократить время анализа (до 90-95%) и повысить точность диагностики.
Исследования будут проводиться в небольших клиниках
Авторы исследования уверены, что полученные результаты облегчат работу эпилептологов и могут быть применены в клинической практике как часть систем поддержки медицинских решений.
В исследовании используются методы глубокого обучения, в частности свёрточные нейронные сети, которые широко применяются для классификации изображений.
Планируется провести тестирование предложенного метода на большом объёме клинических данных.
