Период выполнения работ: сентябрь 2026- август 2029 гг.
Современные ИИ-системы медицинской диагностики на основе глубокого обучения точны на статических выборках, но в реальной клинике сталкиваются с нестационарностью данных. Распределение изображений меняется: протоколы окраски по Романовскому–Гимзе, типы микроскопов и сканеров, освещение, спектр патологий. Это ведёт к деградации модели и снижению доверия врачей.
Цель исследования - повышение долгосрочной надёжности и клинической применимости гибридных систем цифровой гематологической морфологии за счёт разработки, верификации и внедрения безопасного, контролируемого и эффективного механизма непрерывного дообучения, интегрированного в реальный workflowлаборатории.
Задачи:
- Системный анализ источников дрейфа данных в медицинской диагностике
- Разработка метрики приоритезации случаев для целевого дообучения
- Архитектура частичного обновления модели с защитой критически важных классов
- Модуль верификации обновлений с контролем качества и безопасным развёртыванием
- Интеграция в защищённую платформу с соблюдением регуляторных требований
- Многоцентровая клиническая валидация механизма адаптации
Научная новизна:
- Комбинированная метрика неопределённости, объединяющая детерминированные и стохастические сигналы гибридной системы
- Архитектура дифференцированного дообучения с предотвращением забывания редких классов
- Система верификации с экспертным контролем, обеспечивающая регуляторное соответствие и доверие пользователей
Практический эффект:
- Сохранение долгосрочной точности модели в условиях нестационарных данных
- Быстрая адаптация к изменениям без полной переобучки и потери чувствительности к редким классам
- Формализованный процесс управления жизненным циклом ИИ-модели в клинической практике
- Внедрение в ведущие медицинские центры; основа для отраслевых методических рекомендаций
- Регистрация ПО; готовность решения к коммерциализации
Ключевые данные и методы:
- Крупный аннотированный датасет медицинских изображений с редкими классами и мультисценарными условиями сбора
- Экспертная разметка с контролем межэкспертной согласованности, сбор обратной связи в реальном времени
- Непрерывное обучение, оценка неопределённости, обучение с переносом, статистическая валидация, подходы с участием эксперта
Ожидаемые результаты:
- Публикации в ведущих рецензируемых журналах по медицинской информатике и ИИ
- Патентная защита разработанного способа адаптивного дообучения
- Открытый анонимизированный датасет для исследования дрейфа в медицинской визуализации
- Интеграция решения в коммерческий программно-аппаратный продукт