Исследователи Центра цифровой медицины Сеченовского Университета разработали модель искусственного интеллекта, которая с точностью до 97 процентов распознаёт особенности электрической активности мозга у пациентов с болезнью Паркинсона на основе данных электроэнцефалографии (ЭЭГ). В дальнейшем на базе этой технологии планируется создать цифровой сервис, который позволит врачам оперативно выявлять патологию на ранних стадиях и назначать дополнительные исследования для подтверждения диагноза.
Болезнь Паркинсона — одно из наиболее распространённых нейродегенеративных заболеваний, поражающее примерно 16-20 человек из 100 тысяч населения. По данным на 2016 год, число заболевших в мире составляло около 6,1 миллиона человек, к 2019-му показатель вырос до 8,5 миллиона, что отражает рост более чем на 39 процентов. Прогнозы специалистов указывают на дальнейшее увеличение количества пациентов: к 2050 году ожидается, что число больных превысит 25 миллионов, что более чем вдвое больше по сравнению с 2021 годом.
На сегодняшний день диагностика болезни Паркинсона базируется главным образом на клинических признаках — снижении двигательной активности, появлении тремора, мышечной скованности — и подтверждается методами нейровизуализации. Новая разработка направлена на выявление заболевания до появления явных симптомов, когда терапевтические меры могут существенно замедлить прогрессирование болезни и сохранить качество жизни пациентов.
«Основная задача нашего проекта — автоматизировать процесс ранней диагностики болезни Паркинсона и сделать его более доступным для пациентов, — комментирует автор разработки, выпускница магистратуры «Информационные системы и технологии» Сеченовского Университета Екатерина Вахромеева. — В настоящее время электроэнцефалография не используется в диагностике этой патологии, однако в научных публикациях российских и зарубежных исследователей описаны особенности электрической активности мозга у пациентов с болезнью Паркинсона, которые отличаются от показателей здоровых людей. Мы поставили цель проверить, можно ли с помощью нейросети распознавать эти различия на ЭЭГ. Результаты показали, что это возможно».
Разработанная нейросеть анализирует частотные аномалии в данных ЭЭГ, типичные для болезни Паркинсона. Благодаря высокой точности модели в 97 процентов, цифровой сервис сможет стать эффективным инструментом предварительной диагностики. Это позволит медицинским специалистам быстрее ориентироваться в клинической картине и своевременно назначать дополнительные обследования для подтверждения диагноза.
Исследователи использовали открытый зарубежный датасет с обезличенными данными ЭЭГ пациентов с болезнью Паркинсона и здоровых участников, который был вручную размечен неврологом. Данные разбили на обучающую и тестовую выборки, на первой из которых обучили модель, а на второй проверили ее способность отличать ЭЭГ больных от здоровых. Эксперименты показали, что нейросеть способна распознавать частотные аномалии ЭЭГ и выявлять пациентов с болезнью Паркинсона с точностью до 97 процентов.
Научный руководитель проекта, кандидат технических наук и эксперт Центра цифровой медицины Сеченовского Университета Денис Андриков отметил перспективность полученных результатов. По его словам, применение нейросети для анализа ЭЭГ открывает новые возможности в поиске предикторов заболевания и может помочь врачам при диагностике. В ближайших планах команды — собрать обширный датасет с ЭЭГ пациентов на разных стадиях болезни Паркинсона, что позволит дообучить модель и провести тестирование совместно с неврологами.
Директор Центра цифровой медицины Первого МГМУ Георгий Лебедев подчеркнул, что в центре при обучении студентов используют проектно-ориентированный подход, а в каждой выпускной работе реализуется проект, востребованный в медицине. Он отметил, что представленный проект является ярким примером применения нейросетевых технологий в неврологии и скоро будет апробирован в университетской клинике.
Перспектива внедрения искусственного интеллекта в сферу нейродиагностики отражает современные тенденции цифровизации здравоохранения и расширяет возможности раннего выявления сложных заболеваний. Появление таких технологий способствует улучшению прогнозов для пациентов и оптимизации работы медицинских учреждений.
