Асатурова Александра Вячеславовна
Автор проекта
Дата рождения:
11 июля 1983г.
Место жительства:
Москва и Московская область, Москва
Организация:
ФГБУ «НМИЦ АГП им.В.И. Кулакова» Минздрава России
Должность:
зав. 1 ПАО
Сферы интересов:
#Женское здоровье
Социальные сети:
—
Проекты участницы
Разработка нейросетевой модели для диагностики эндометриоза на основе анализа гистологических изображений эндометрия
Суть проекта
Проект направлен на разработку инновационного метода диагностики эндометриоза с использованием нейросетевого анализа гистологических изображений эндометрия. Основная цель — создать малоинвазивный и доступный инструмент для выявления поверхностного и глубокого эндометриоза, который мог бы заменить или дополнить традиционные инвазивные методы, такие как лапароскопия.
Целевая аудитория
женщины с синдромом тазовой боли, бесплодием неясного генеза, женщины, планирующие беременность
«Зрелость» проекта
—
Результаты проекта
1. Разработана нейросетевая модель для диагностики эндометриоза
Точность (Accuracy): 83–91% (в зависимости от конфигурации).
Чувствительность (Recall): 80–84% (выявление случаев эндометриоза).
Специфичность (Precision): 81–86% (минимизация ложноположительных результатов).
F1-score: 80–84% (баланс между точностью и полнотой).
2. Сравнение с традиционными методами
Преимущества перед иммуногистохимией (BCL-6):
Модель различает поверхностный и глубокий эндометриоз, тогда как BCL-6 лишь подтверждает наличие заболевания.
Не требует дополнительных реактивов — анализ только на основе гистологических изображений.
Преимущества перед лапароскопией:
Неинвазивность — диагностика по биопсии эндометрия.
Снижение стоимости и времени обследования.
3. Клиническая значимость
Сокращение времени диагностики: Автоматизированный анализ вместо рутинной микроскопии.
Раннее выявление: Возможность обнаруживать эндометриоз на доклинических стадиях.
Поддержка врачебных решений: Объективная оценка, снижающая субъективность диагноза.
4. Научные и технологические достижения
Применение Vision Transformer (ViT) в гистологии: Один из первых случаев использования трансформеров для анализа эндометрия.
Метод самосупервизируемого обучения (SSL): Уменьшение зависимости от ручной разметки данных.
Публикации и патенты: (Укажите, если есть готовые статьи или заявки.)
5. Потенциал для масштабирования
Адаптация для других заболеваний: Возможность применения модели для диагностики гиперплазии, рака эндометрия.
Интеграция с цифровыми патологическими системами: Совместимость с сканерами стекол (Aperio, Hamamatsu).
Коммерциализация: Разработка SaaS-платформы для клиник и лабораторий.
Точность (Accuracy): 83–91% (в зависимости от конфигурации).
Чувствительность (Recall): 80–84% (выявление случаев эндометриоза).
Специфичность (Precision): 81–86% (минимизация ложноположительных результатов).
F1-score: 80–84% (баланс между точностью и полнотой).
2. Сравнение с традиционными методами
Преимущества перед иммуногистохимией (BCL-6):
Модель различает поверхностный и глубокий эндометриоз, тогда как BCL-6 лишь подтверждает наличие заболевания.
Не требует дополнительных реактивов — анализ только на основе гистологических изображений.
Преимущества перед лапароскопией:
Неинвазивность — диагностика по биопсии эндометрия.
Снижение стоимости и времени обследования.
3. Клиническая значимость
Сокращение времени диагностики: Автоматизированный анализ вместо рутинной микроскопии.
Раннее выявление: Возможность обнаруживать эндометриоз на доклинических стадиях.
Поддержка врачебных решений: Объективная оценка, снижающая субъективность диагноза.
4. Научные и технологические достижения
Применение Vision Transformer (ViT) в гистологии: Один из первых случаев использования трансформеров для анализа эндометрия.
Метод самосупервизируемого обучения (SSL): Уменьшение зависимости от ручной разметки данных.
Публикации и патенты: (Укажите, если есть готовые статьи или заявки.)
5. Потенциал для масштабирования
Адаптация для других заболеваний: Возможность применения модели для диагностики гиперплазии, рака эндометрия.
Интеграция с цифровыми патологическими системами: Совместимость с сканерами стекол (Aperio, Hamamatsu).
Коммерциализация: Разработка SaaS-платформы для клиник и лабораторий.
Реализация проекта
1. Подготовительный этап
Сбор данных:
Получение гистологических образцов эндометрия от 150 пациенток (50 – контрольная группа, 50 – поверхностный эндометриоз, 50 – глубокий эндометриоз).
Оцифровка стекол с помощью сканера Aperio AT2 (Leica).
Предварительная обработка изображений:
Нарезка на тайлы 750×750 пикселей.
Фильтрация артефактов, сгустков крови и неинформативных фрагментов с помощью алгоритмов компьютерного зрения.
2. Разработка и обучение модели
Выбор архитектуры:
Vision Transformer (ViT) с предобучением на ImageNet-21k.
Дообучение на гистологических данных.
Методы обучения:
Самосупервизируемое обучение (SSL) для работы с неразмеченными данными.
Аугментация: геометрические трансформации, цветовая коррекция.
Кросс-валидация (5 фолдов) для оценки устойчивости.
Оптимизация:
Подбор гиперпараметров (размер тайлов, степень перекрытия).
Тестирование разных конфигураций (с аугментацией/без нее).
3. Тестирование и валидация
Оценка метрик:
Accuracy: 83–91%.
Precision: 81–86%.
Recall: 80–84%.
F1-score: 80–84%.
Сравнение с BCL-6:
Нейросеть показала более высокую специфичность и возможность дифференцировать формы эндометриоза.
Клинические испытания:
Пилотное тестирование на новых образцах (N=30) – подтверждение точности 85–88%.
4. Внедрение
Разработка ПО:
Веб-интерфейс для загрузки и анализа изображений.
Интеграция с DICOM-системами лабораторий.
Обучение врачей:
Проведение мастер-классов по работе с алгоритмом.
Создание инструкций для патологоанатомов.
Публикация результатов:
Статьи в рецензируемых журналах.
Подача заявки на патент.
5. План масштабирования
Расширение базы данных:
Включение образцов из других медицинских центров (цель – 500+ случаев).
Адаптация для смежных задач:
Диагностика гиперплазии, рака эндометрия.
Коммерциализация:
Партнерство с производителями сканеров (Aperio, Hamamatsu).
Разработка платной подписки для клиник.
Сбор данных:
Получение гистологических образцов эндометрия от 150 пациенток (50 – контрольная группа, 50 – поверхностный эндометриоз, 50 – глубокий эндометриоз).
Оцифровка стекол с помощью сканера Aperio AT2 (Leica).
Предварительная обработка изображений:
Нарезка на тайлы 750×750 пикселей.
Фильтрация артефактов, сгустков крови и неинформативных фрагментов с помощью алгоритмов компьютерного зрения.
2. Разработка и обучение модели
Выбор архитектуры:
Vision Transformer (ViT) с предобучением на ImageNet-21k.
Дообучение на гистологических данных.
Методы обучения:
Самосупервизируемое обучение (SSL) для работы с неразмеченными данными.
Аугментация: геометрические трансформации, цветовая коррекция.
Кросс-валидация (5 фолдов) для оценки устойчивости.
Оптимизация:
Подбор гиперпараметров (размер тайлов, степень перекрытия).
Тестирование разных конфигураций (с аугментацией/без нее).
3. Тестирование и валидация
Оценка метрик:
Accuracy: 83–91%.
Precision: 81–86%.
Recall: 80–84%.
F1-score: 80–84%.
Сравнение с BCL-6:
Нейросеть показала более высокую специфичность и возможность дифференцировать формы эндометриоза.
Клинические испытания:
Пилотное тестирование на новых образцах (N=30) – подтверждение точности 85–88%.
4. Внедрение
Разработка ПО:
Веб-интерфейс для загрузки и анализа изображений.
Интеграция с DICOM-системами лабораторий.
Обучение врачей:
Проведение мастер-классов по работе с алгоритмом.
Создание инструкций для патологоанатомов.
Публикация результатов:
Статьи в рецензируемых журналах.
Подача заявки на патент.
5. План масштабирования
Расширение базы данных:
Включение образцов из других медицинских центров (цель – 500+ случаев).
Адаптация для смежных задач:
Диагностика гиперплазии, рака эндометрия.
Коммерциализация:
Партнерство с производителями сканеров (Aperio, Hamamatsu).
Разработка платной подписки для клиник.
Фото проекта