На кафедре «Информатика и системы управления» Нижегородского государственного технического университета им. Р.Е. Алексеева был разработан совершенно новый инструмент для диагностики сердечно-сосудистых заболеваний. Специалисты предложили использовать графовые нейронные сети для интерпретации ЭКГ-сигналов, что уже получило государственную регистрацию.
Сердечно-сосудистые болезни остаются одной из главных причин смертности в мире, унося ежегодно около 18 миллионов жизней по данным Всемирной организации здравоохранения. Ранняя диагностика этих патологий крайне важна для своевременного лечения, а новейшие технологии, основанные на искусственном интеллекте, позволяют автоматизировать анализ ЭКГ, увеличивая точность и скорость диагностики.
Эта разработка предлагает инновационный подход к анализу ЭКГ-сигналов: графовая нейронная сеть моделирует ЭКГ как граф, где узлы отражают ключевые точки, такие как пики зубцов P, QRS и T, а ребра отображают временные и амплитудные зависимости. Это позволяет эффективно извлекать сложные признаки и выявлять скрытые шаблоны, характерные для различных аномалий, таких как аритмии.
Традиционные алгоритмы анализа ЭКГ ограничены временными или частотными представлениями сигнала, что снижает их способность выявлять сложные взаимосвязи. Этот новаторский метод открывает новые горизонты в диагностике сердечно-сосудистых заболеваний, значительно повышая точность диагностики и качество медицинской помощи.
«Использование графовых нейронных сетей в этой области значительно улучшает точность диагностики и качество медицинской помощи, предоставляя врачам более обоснованные данные для принятия решений. Эта разработка является важным шагом вперед в кардиологии, открывая новые горизонты для диагностики сердечно-сосудистых заболеваний», — отмечается в пресс-релизе вуза.
В настоящее время проект находится на этапе теоретической отработки и тестируется на открытых базах данных, идет обучение модели и оптимизация архитектуры нейронной сети. Архитектура показывает перспективные результаты в моделировании пространственно-временных зависимостей ЭКГ-сигналов. Каждый слой многослойной графовой нейронной сети интерпретирует данные с разной степенью абстракции — от первичных данных ЭКГ до высокоуровневых клинических признаков.
Программа, реализованная на языке Python, совместима с различными операционными системами и обеспечивает качественный анализ электрокардиограмм с учетом пространственно-временных зависимостей, что повышает устойчивость к шуму и достоверность диагностики. Обучение на большом наборе размеченных ЭКГ-данных позволяет системе обнаруживать скрытые паттерны и надежно определять аномалии, включая аритмии, а учет контекста каждого элемента ЭКГ существенно повышает точность и надежность диагностики.
