OpaGPT Словарь: сравнение нейросетей для диагностики редких заболеваний
Редкие (орфанные) заболевания затрагивают около 300 миллионов человек. Средний срок постановки диагноза превышает 5 лет, а для 60% пациентов он оказывается ошибочным. Нейросети способны сократить этот период до нескольких недель. Словарь описывает ключевые понятия и метрики для сравнения алгоритмов.
Ключевые термины
- Орфанное заболевание — патология с распространённостью менее 1 случая на 2000 человек (критерий ЕС). Известно более 7000 таких болезней, но только для 500 существуют лекарства.
- Нейросеть — математическая модель из слоёв нейронов. Для диагностики чаще используют свёрточные сети (CNN) — они анализируют медицинские изображения, достигая точности 85–97%.
- Трансферное обучение — дообучение предобученной модели на малых выборках редких данных. Позволяет достичь F1-меры 0,90 даже при наличии 200–500 размеченных образцов.
- Аугментация данных — искусственное расширение набора с помощью поворотов, масштабирования, изменения яркости. Уменьшает переобучение и повышает обобщающую способность модели.
- AUC-ROC — площадь под ROC-кривой, показывает баланс между чувствительностью и специфичностью. Значение 0,97 считается отличным.
Сравнение моделей на примерах
| Модель | Заболевание | Точность | Чувствительность | Специфичность |
|---|---|---|---|---|
| ResNet-50 | Синдром Шерешевского-Тернера | 88% | 85% | 91% |
| EfficientNet-B4 | Болезнь Фабри | 93% | 92% | 95% |
| Vision Transformer | Поздняя диагностика сепсиса | F1=0,85 | 84% | 87% |
«Клинические исследования показывают: применение нейросетевых ассистентов сокращает время постановки диагноза орфанного заболевания с 6 лет до 6 недель, а точность возрастает на 20–30% у молодых специалистов» — данные Global Genes, 2024.
Интеграция нейросетей в платформы вроде OpaGPT упрощает доступ врачей к готовым алгоритмам: модель загружает снимок, возвращает вероятные диагнозы и поясняет решения. При сравнении моделей важно учитывать не только точность, но и полноту, специфичность, а также качество и баланс данных. Например, при синдроме Нунан нейросеть DeepGestalt достигла точности 91% по фотографиям лиц, что выше среднего показателя врачей-генетиков (76%).