ИТМО: Технология машинного обучения для диагностики воспалительных заболеваний кишечника

Основные статьи:

• Машинное обучение (Machine Learning)
• Искусственный интеллект в медицине
• Большие данные (Big Data) в медицине

2020: Победа российского алгоритма в международном конкурсе

8 сентября 2020 года компания Philip Morris International сообщила Zdrav.Expert о том, что молодые российские ученые победили в международном конкурсе по созданию технологии машинного обучения для диагностики воспалительных заболеваний кишечника.

Российский алгоритм диагностики воспалительных заболеваний кишечника признан лучшим на международном конкурсе Источник: intervals.science

Артем Иванов и Владимир Ульянцев из лаборатории «Компьютерные технологии» Университета ИТМО создали алгоритм, который на основе неинвазивных методов диагностики с высоким уровнем достоверности выявляет наличие у пациента воспалительных заболеваний.

Российская команда стала единственной, победившей сразу в двух этапах конкурса. На первом этапе конкурса ученые ИТМО стали победителями наряду с командами из Медицинского университета Джорджтауна (США) и Института высокопроизводительных систем Италии. На втором этапе российская команда завоевала победу вместе с представителями Университета Люксембурга и Падуанского университета (Италия).

Соревнования MEDIC. Источник: intervals.science

Конкурс, с общим призовым фондом 12 000 долларов, проходил на краудсорсинговой платформе sbvIMPROVER, созданной научно-исследовательским подразделением Philip Morris International. Всего было подана 81 заявка от 15 научных команд из разных стран мира.

В лаборатории `Компьютерные технологии` Университета ИТМО мы уже более семи лет разрабатываем алгоритмы для анализа метагеномных данных. В основном мы применяем их к данным микробиоты кишечника: проводим сравнительный анализ, анализируем антибиотикорезистентные гены. Разумеется, нам было интересно посмотреть, как наши алгоритмы справятся с задачей диагностирования воспалительных заболеваний кишечника, - рассказали Владимир и Артем.

В качестве конкурсного задания, имеющего самостоятельную научную ценность, был определен поиск оптимального алгоритма машинного обучения для того, чтобы безошибочно диагностировать отличия друг от друга язвенного колита, болезни Крона, воспаления прямой кишки и других заболеваний. В качестве исходных данных научные команды получили результаты неинвазивных методов клинической диагностики и должны были применить алгоритмы анализа «больших данных» для компьютерной обработки результатов.Михаил Белошапка, «Далее»: Тенденция укрупнения IT-рынка продолжится 5.3 т

На первом этапе участникам предоставили данные метагеномного секвенирования. На втором этапе команды получили предварительно рассчитанные матрицы таксономических данных и данных повторяемости метаболических путей. Это позволило специалистам без доступа к методам анализа метагеномных данных сравнить эффективность классификации за рамками предварительной обработки.

Найденное командой российских ученых решение позволит с высоким уровнем достоверности классифицировать воспалительные заболевания кишечника у пациентов.

Мы смогли выявить сильные и слабые стороны наших алгоритмов и сравнить их точность с подходами других участников. Но с победой в конкурсе работа не закончена, и мы будем продолжать исследования для более полного описания признаков и более точного диагностирования заболеваний, - рассказал Артем Иванов.

Для нас очень важно, чтобы набор данных для машинного обучения и тестовые данные были взяты из двух различных исследований, чтобы можно было убедиться, что полученный результат не свойственен лишь одному исследованию. В последнее время мы изучаем микробиом, так как он связан со многими заболеваниями и в целом ответственен за состояние здоровья. Для нас было важно убедиться в том, что методы, разработанные в ходе испытаний, точно определяют структуру микробиома. – рассказала Стефани Бу, менеджер по обеспечению научной прозрачности и верификации данных PMI. По ее словам, в дальнейшем проект будет охватывать другие области биомедицинских исследований.