«CORINTEL.TECH»: искусственный интеллект для аннотации электрокардиограммы DOI: 10.29188/2712-9217-2025-11-2-14-18

41

ВВЕДЕНИЕ

Сердечно-сосудистые заболевания (ССЗ) остаются ведущей причиной смертности во всем мире, что обусловливает высокую актуальность разработки новых методов их диагностики и профилактики. В Российской Федерации борьба с ССЗ является приоритетным направлением национального проекта «Здравоохранение». Электрокардиография (ЭКГ) – фундаментальный, доступный и неинвазивный метод диагностики в кардиологии, однако его интерпретация требует времени и высокой квалификации специалиста.

В последние годы внедрение искусственного интеллекта (ИИ) в медицину демонстрирует значительный потенциал. Глобальный рынок ИИ в кардиологии показывает взрывной рост, составляющий 39,4% в годовом исчислении, с прогнозируемым объемом в 40,5 млрд долларов США к 2033 году [1]. Это свидетельствует о высоком спросе на подобные технологии и позволяет прогнозировать аналогичную траекторию развития для российского рынка.

Современные исследования подтверждают, что модели глубокого обучения способны не только классифицировать аритмии с высокой точностью, но и выявлять скрытые признаки, недоступные человеку, например, предсказывать фибрилляцию предсердий по ЭКГ синусового ритма [2, 3]. Модели, обученные на больших массивах данных 12-канальной ЭКГ, демонстрируют эффективность, сопоставимую с уровнем кардиологов, в диагностике широкого спектра патологий [2, 3].

В этом контексте целью проекта «CORINTEL.TECH» является разработка автоматизированного инструмента (веб-приложения) на основе машинного обучения, способного анализировать временные ряды ЭКГ и составлять по ним текстовую аннотацию.

МАТЕРИАЛЫ И МЕТОДЫ

Архитектура системы

Разработанное решение «CORINTEL.TECH» представляет собой программное обеспечение в виде веб-приложения, реализующее полный цикл обработки ЭКГ: от загрузки данных до генерации аннотации.

Обработка данных

Система предназначена для анализа электрокардиограмм в 12 отведениях. В качестве входных данных используются файлы в стандартных форматах хранения кардиологических данных HEADAT и EDF с 12-ю отведениями.

Модель машинного обучения

Ядром алгоритма является сверточная нейронная сеть (CNN). CNN-архитектуры хорошо зарекомендовали себя в анализе временных рядов, включая ЭКГ, благодаря их способности выявлять локальные паттерны и иерархические признаки.

Для повышения точности в архитектуру интегрирован механизм внимания (attention mechanism), который позволяет модели фокусироваться на наиболее диагностически значимых участках сигнала. Извлечение признаков из временного ряда кардиограммы осуществляется с помощью встроенного вейвлет-преобразования. Разработанная архитектура CNN способна точно определять переходные границы на картах (Фурье/вейвлет-преобразования).

Генерация аннотаций: Отличительной особенностью системы является использование открытой большой языковой модели (LLM). Эта модель принимает на вход набор диагностических признаков, выделенных сверточной нейронной сетью, и генерирует на их основе развернутую текстовую аннотацию.

Технологический стек: Программный код написан на языке Python с использованием фреймворка PyTorch для реализации нейронной сети.

База разработки: Проект реализован на базе «Цифровой кафедры» Сеченовского университета.

РЕЗУЛЬТАТЫ

В результате работы создан интеллектуальный ассистент «CORINTEL.TECH», позволяющий быстро и качественно оценить ЭКГ пациента.

Функциональные возможности:

• Стандартизированное заключение: Система формирует подробное заключение по стандартизированному шаблону.
• Выявление патологий: Алгоритм анализирует ЭКГ на предмет возможных патологий.
• Определение ЭОС: Реализована функция определения электрической оси сердца (ЭОС).

Решенные задачи и преимущества:

1. Повышение скорости и точности диагностики: Сервис помогает врачам быстрее анализировать ЭКГ, что способствует более ранней диагностике и началу лечения.
2. Экономия ресурсов: Автоматизация рутинного анализа ЭКГ освобождает время высококвалифицированных специалистов для непосредственной работы с пациентами.
3. Обучение и развитие: Сервис может использоваться как образовательный инструмент для студентов-медиков и ординаторов.
4. Масштабируемость: Разработанная нейросетевая архитектура потенциально может быть адаптирована для анализа любых других временных рядов.

Целевая аудитория

Основными пользователями системы являются врачи скорой медицинской помощи и фельдшеры, реаниматологи и анестезиологи отделений неотложной помощи, а также студенты и ординаторы медицинских вузов.

Текущий статус

На момент презентации проект находится на этапе дообучения нейросети. Создана архитектура, и идет процесс формирования базы данных аннотированных ЭКГ. Для проекта приобретено доменное имя «CORINTEL.TECH» и зарегистрирована интеллектуальная собственность.

ОБСУЖДЕНИЕ

Рынок ИИ-решений для кардиологии является высококонкурентным, что подтверждается как глобальными тенденциями, так и анализом существующих игроков, представленным в ходе исследования [3-6]. Мировые аналоги можно условно разделить на несколько категорий, в контексте которых «CORINTEL.TECH» занимает свою нишу.

1. Персональные (B2C) устройства мониторинга

   Ярким представителем этой группы является KardiaMobile 6L от компании AliveCor. Это портативное устройство, сертифицированное FDA, позволяет пациентам самостоятельно регистрировать ЭКГ в 6 отведениях и получать ИИ-анализ на предмет аритмий (прежде всего, фибрилляции предсердий).

   В отличие от KardiaMobile, «CORINTEL.TECH» изначально ориентирован на клиническое применение (B2B и B2G) и работает с полным, диагностически более информативным 12-канальным стандартом ЭКГ.

2. Платформы для координации и принятия решений

   Такие компании, как Viz.ai (представленные в анализе как Viz Echo Viewer и Viz HCM), фокусируются на использовании ИИ для сканирования медицинских изображений (КТ, ЭхоКГ, ЭКГ) на предмет наличия жизнеугрожающих состояний (например, инсульта или гипертрофической кардиомиопатии). Их основная функция – не генерация отчета, а немедленное оповещение профильных специалистов, что ускоряет оказание помощи.

3. Комплексные диагностические системы

   Решения, такие как CorVista System, используют ИИ и вычислительное моделирование для неинвазивной оценки функциональных показателей, например, для выявления ишемической болезни сердца, что является более узкой, хотя и важной задачей.

   Другие платформы, например, PMcardio, также предлагают интерпретацию 12-канальной ЭКГ, однако уникальность «CORINTEL.TECH» заключается в гибридном подходе.

Конкурентное преимущество «CORINTEL.TECH»

Ключевым отличием и преимуществом проекта является двухэтапная архитектура:

1. Использование CNN с вейвлет-преобразованием и механизмом внимания для точного извлечения диагностических признаков.
2. Применение большой языковой модели (LLM) для трансляции этих признаков в развернутую, связную текстовую аннотацию.

В то время как большинство существующих ИИ-систем предоставляют классификацию (например, «Нормальный синусовый ритм», «Фибрилляция предсердий») или флаги тревоги, «CORINTEL.TECH» нацелен на генерацию полноценного текстового заключения, имитирующего отчет врача-кардиолога. Это не только повышает клиническую ценность для опытных врачей, но и обладает высокой образовательной ценностью для студентов и ординаторов.

Ограничения и будущие направления

Основным ограничением на текущем этапе является необходимость формирования обширной базы данных аннотированных ЭКГ для завершения дообучения нейросети. Дальнейшие шаги должны включать не только техническую верификацию, но и полномасштабную клиническую валидацию для подтверждения точности и безопасности алгоритма в сравнении с заключениями квалифицированных кардиологов.

ВЫВОДЫ

Проект «CORINTEL.TECH» демонстрирует успешное применение гибридной модели ИИ, сочетающей сверточные нейронные сети и большие языковые модели, для решения сложной клинической задачи – аннотирования 12-канальной ЭКГ. Разработанное программное обеспечение имеет значительный потенциал для улучшения скорости и точности диагностики сердечно-сосудистых заболеваний, оптимизации рабочих процессов в медицинских учреждениях и повышения качества медицинского образования. Дальнейшие шаги включают завершение этапа дообучения модели на репрезентативной базе данных и проведение клинической валидации, что является обязательным этапом перед внедрением подобных технологий в широкую практику.

ЛИТЕРАТУРА

Global AI in Cardiology Market – By Component (Hardware, Software, Services), By Applications (Stroke, Cardiac Arrhythmias, Ischemic heart disease/CAD, Others), By Region and Companies – Industry Segment Outlook, Market Assessment, Competition Scenario, Trends, and Forecast 2024-2033, https://market.us/report/aiin-cardiology-market/#utm_source=chatgpt.com

1. Ribeiro AH, Ribeiro MH, Paix‹o GMM, Oliveira DM, Gomes PR, Canazart JA, et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun 2020;11(1):1760.

2. Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Wiste HJ, Lerman A, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of prospectively collected data. The Lancet 2019;394(10201):861-867.

3. Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, et al. Cardiologist-level arrhythmia detection and classification in ambulatory ECGs using a deep neural network. Nat Med 2019;25(1):65-69.

4. Strodthoff N, Strodthoff C. Detecting and interpreting myocardial infarction using fully convolutional neural networks. Physiol Meas 2019;40(1):015001.

5. Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machinelearning improve cardiovascular risk prediction using routine clinical data? PloS one 2017;12(4):e0174944.