СКАНДЕРМ ПРО

Scanderm - медицинская интеллектуальная система для диагностики заболеваний кожи с применением технологий искусственного интеллекта.

1. Пример проблемы, которую решает ПО по анализу здоровья:

- Отсутствие на российском рынке решений для онлайн-диагностики кожных заболеваний.

- Недостаточная точность и ограниченный функционал аналогов на мировом рынке.

Кожные болезни – самая частая причина обращения к врачу (около половины опрошенных пациентов) согласно исследованию Mayo Clinic. В 70% случаев аналогичного американского сервиса First Derm для пациентов было достаточно онлайн-консультации, только в 30% пациенты были направлены на очную консультацию.

2. Пример проблем, которую решает ПО и устройство для анализа меланомы:

- Низкий уровень диагностики рака кожи на ранней стадии.

- Высокая стоимость устройств для диагностики рака кожи.

По прогнозам ВОЗ к 2025 г. заболеваемость меланомой в мире вырастет на 20-25%, а за последние 40 лет уже выросла в три раза. 40% заболевших меланомой кожи в России не удается спасти из-за позднего обнаружения, в то время как при ранней диагностике меланома излечима в 90% случаев.

Мы разработали насадку на камеру телефона, которая в десятки раз дешевле ближайших аналога (MoleScope и HandyScope). При использовании терапевтами во время диспансеризации прибор позволит:

- сократить время с момента выявления меланомы до лечения.

- сократить бюджетное финансирование на лечение и реабилитацию онкологических пациентов.

- помочь врачу в постановке диагноза (особенно для врачей общей практики и терапевтов)

3. Пример проблемы, которую решает система анализа эффективности работы косметики и лекарственных средств:

- Отсутствие объективной оценки эффекта от продукции

- Недостаточная помощь по выводу новых компонентов для дерматологии и косметологии на базе проведения клинических исследований

Мы применяем широкий пласт технологий компьютерного зрения и нейронных сетей для максимальной утилизации имеющейся у нас информации и достижения наибольшей точности работы медицинской интеллектуальной системы (МИС). В случаях недостаточности объемов данных мы используем авторские экспертные системы и успешно сочетаем их с последними достижениями в области глубокого обучения. Мы также много и успешно работаем (кейс Checkderm с точностью более 90%) в направлении построения эффективного ИИ на малых объемах данных - самой распространенной и сложной проблемой в применении ИИ в медицинских системах.

Особенность и инновационность архитектуры алгоритма разрабатываемой медицинской интеллектуальной системы – это способ интеграции системы в ПО клиентов, легко настраиваемая экспертная система и координация составляющих ее методов – экспертной системы и алгоритма классификации. Заключение, полученное при работе с системой, формируется на основании программируемых разделенных паттернов в гиперповерхностях многомерного пространства признаков заболеваний. С точки зрения практического использования системы основное преимущество при внедрении ансамблевого подхода экспертной системы и сверточной нейронной сети, используемых в разрабатываемой системе, является установление взаимосвязей между искусственно сконструированными признаками и независимость выводимых результатов. С научной точки зрения такой подход безусловно обосновывает точность распознавания, где особый интерес вызывает возможность редактирования конфигураций экспертной системы, архитектуры нейросети и параметров обучения в процессе накопления практической экспертизы применения медицинской интеллектуальной системы. Резюмируя, входными данными системы выступают первичное тестирование (анамнез) и непосредственно изображение, а выходными является комбинация двух независимых прогнозов - это позволяет проводить более тонкую и легко интерпретируемую настройку алгоритма экспертной системы экспертом без дополнительного обучения нейронной сети. Благодаря гибкости алгоритма, наглядности представления результатов вычислений, удобному пользовательскому интерфейсу, объемному аналитическому инструментарию, разрабатываемая система подходит как для конечного потребителя (пациента), так и для врача.

Из-за отсутствия больших дата-сетов (наборов данных) фотографий кожных заболеваний, было принято решение ручного поиска и проверки данных совместно с дерматологами. Малая выборка данных делает классическое обучение классифицирующей искусственной нейронной сети бессмысленной. Поэтому рассматриваются только те методы измерения особенностей изображения, которые устойчивы к размеру дата-сета или позволяют вручную перенести человеческий опыт врача-дерматолога непосредственно в сам алгоритм классификации.