В НовГУ обучили нейросеть диагностировать ковид и рак по КТ-снимкам

05 мая 2026, 12:21   40

В НовГУ предложили использовать искусственный интеллект для выявления заболеваний лёгких у персонала энергетических предприятий. Нейросеть, изначально обученную для других задач, адаптировали к медицинской специфике и обучили «читать» 3D-снимки компьютерной томографии. ИИ способен определять здоровые лёгкие, COVID-19 и онкологические патологии.

Автор разработки — старший преподаватель кафедры информационных технологий и систем НовГУ Игорь Кулаков.

Компьютерная томография (КТ) грудной клетки — «золотой стандарт» для раннего выявления лёгочных патологий. В отличие от обычного рентгена, КТ создает трёхмерное изображение — послойные снимки внутренних органов, костей и тканей. Обычно расшифровкой снимков занимается врач-рентгенолог. Однако, если данных слишком много — например, при обследовании сотрудников большого предприятия — у специалиста уйдёт огромное количество времени на проверку. Быстро обработать большой массив данных может помочь искусственный интеллект.

Модель, разработанная в НовГУ, ориентирована прежде всего на предприятия энергетической отрасли.

— Это критически важная для государства инфраструктура, — подчеркнул Игорь Кулаков. — А здоровье персонала напрямую влияют на безопасность и непрерывность технологических процессов. В том числе регулярного контроля и своевременного выявления требуют респираторные заболевания — от ОРВИ до онкопатологии.

Главная сложность при обучении ИИ для медицинских задач — собрать качественный датасет (набор данных, на которых нейросеть будет учиться). Доступные медицинские выборки редко превышают несколько тысяч исследований. В идеале нужны десятки тысяч и более, и собрать качественный «набор для обучения» стоит очень дорого.

Решение, которое предлагает Игорь Кулаков — трансферное обучение. Это значит, что нейросеть, изначально обученную для выполнения других задач, можно адаптировать под медицинскую специфике.

— Мы использовали готовую архитектуру R(2+1)D-18, обученную на крупном публичном датасете Kinetics-400, — рассказал Игорь Кулаков. — Этот датасет содержит 400 классов человеческих действий: бег, танцы, приготовление еды и так далее. На нём нейросеть уже научилась извлекать из видео универсальные мощные признаки, полезные для понимания действий в целом. Эта способность улавливать пространственно-временные зависимости оказалась полезной и для трёхмерных медицинских данных.

В качестве датасета использовали набор из 1815 КТ-снимков. Часть снимков взяли из открытых источников, часть — запросили у медицинских организаций. Задачей было научить нейросеть определять три клинически значимых класса: норма, COVID-19, рак.

Обучение проходило в два этапа. Первая стадия состояла из 12 «эпох» — так называется полный цикл обучения, в течение которого ИИ ознакомился со всеми файлами датасета. На втором этапе выполнялась тонкая настройка сети. Наилучший результат был достигнет на десятой эпохе второго этапа.

— За одну эпоху нейросеть не может обучиться, — пояснил Игорь Кулаков. — Нужно несколько «прогонов», чтобы ИИ оптимально скорректировал свои настройки, запомнил редкие примеры и так далее. В нашем случае одна эпоха занимала 1 минуту обучения и 41 секунду валидации. На второй стадии - 1 мин 38 с и 41 с соответственно. Валидация проводилась на части снимков датасета, не знакомых для данного ИИ, поэтому её можно считать корректной. Обучение выполнялось на NVIDIA GeForce RTX 4090.

При переходе к тонкой настройке нейросеть показала устойчивый прирост качества. На выборке из 1815 исследований модель достигла валидационной точности 90,9%.

— Ошибки в основном были связаны с путаницей между нормой и COVID-19 на ранних эпохах, — отметил Игорь Кулаков. — По мере тонкой настройки количество ложных срабатываний в этих парах существенно снизилось. Наиболее устойчивых результатов мы добились в части определения раковых патологий.

Разработанная архитектура может быть интегрирована в корпоративные системы профосмотров на энергетических предприятиях. Она позволит ускорить маршрутизацию пациентов, снизить нагрузку на врачей и сократить экономические потери, связанные с заболеваниями сотрудников. Кроме того, нейросеть позволяет задавать управляемые «пороги тревоги» — например, повышать чувствительность к COVID-подобным случаям при первичных осмотрах, но снижать ложные тревоги при повторных проверках. Благодаря этому модель можно адаптировать под разные производственные сценарии.

— Многие производства, с которыми сотрудничает Политехнический институт и, в частности, кафедра информационных технологий и систем, имеют специфичные условия труда, — отметил Игорь Кулаков. — Поэтому при разработке мы ориентировались на создание системы, которая бы могла помочь выявлять патологии сотрудников, которые подвержены реальному риску. Данная разработка может внедряться в компьютеры, на которых проводится обследования сотрудников. Также сделан полноценный сервис, где сотрудники могут самостоятельно загрузить свои снимки компьютерной томографии лёгких для детекции патологий.

Планируется получение патента на разработку.

Эту и другие новости читайте в официальном МАХ-канале Новгородского университета.