Специалисты Сеченовского университета, молодые ученые, создали нейросеть, способную обнаруживать болезнь Паркинсона на основе данных электроэнцефалографии (ЭЭГ). Разработанная модель успешно распознает типичные для этого заболевания изменения в частотных характеристиках и позволяет идентифицировать пациентов с болезнью Паркинсона с высокой степенью точности – до 97%. В перспективе это позволит диагностировать недуг на ранних этапах, что даст возможность врачам быстрее и точнее устанавливать предварительный диагноз и назначать необходимые обследования для его подтверждения.
При проведении исследования использовался общедоступный зарубежный набор данных, содержащий обезличенные записи электроэнцефалограммы пациентов с болезнью Паркинсона и здоровых добровольцев, который был вручную аннотирован неврологом, как сообщили в пресс-службе Сеченовского университета. Исследователи разделили этот набор данных на части для обучения и проверки нейронной сети. На одной части была обучена модель, а на другой, ранее не использовавшейся, проверили ее способность выявлять электроэнцефалограммы здоровых и больных людей. В планах ученых на будущее – создание обширного набора данных с записями электроэнцефалограммы пациентов на разных стадиях развития болезни Паркинсона, что позволит дообучить модель и провести ее совместное тестирование с неврологами.
Корреспонденту «Научной России» руководитель проекта и выпускница магистратуры «Информационные системы и технологии» Сеченовского университета предоставила более детальную информацию о новой разработке Екатерина Вахромеева.
«Особенность нашего подхода заключается в использовании электроэнцефалограммы. Это сравнительно недорогой, доступный и неинвазивный метод, однако он не включен в клинические рекомендации Министерства здравоохранения Российской Федерации для диагностики болезни Паркинсона. В настоящее время анализ электроэнцефалограммы представляет собой достаточно продолжительную процедуру, которая может занимать до 30 минут. Времени врачу приходится самостоятельно выявлять закономерности, характерные для различных заболеваний. Наша система, напротив, позволяет сократить этот период, предоставляя врачу оперативный предварительный анализ, что может быть полезно, например, для проведения скрининга. <…> Трудности, с которыми мы столкнулись в процессе разработки проекта, в основном связаны с особенностями машинного обучения и поиском подходящего набора данных для этой задачи. Для обучения нейронной сети требуются значительные объемы размеченных данных: в идеале – несколько сотен тысяч качественных и репрезентативных образцов. Это требует больших усилий и организации совместной работы с клиниками, а также непосредственного участия квалифицированных врачей-диагностов».
Материал создан при содействии Министерства науки и высшего образования Российской Федерации
Изображение в оформлении текста создано с использованием сервиса «Шедеврум»