Разработка методологии анализа результатов окулографических исследований с использованием интерпретируемых методов машинного обучения

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 24-79-00218

НазваниеРазработка методологии анализа результатов окулографических исследований с использованием интерпретируемых методов машинного обучения

Руководитель Долганов Антон Юрьевич, Кандидат технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Уральский федеральный университет имени первого Президента России Б.Н. Ельцина" , Свердловская обл

Конкурс №97 - Конкурс 2024 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 09 - Инженерные науки; 09-609 - Автоматизированные комплексы для биологии и медицины

Ключевые слова Биомедицинские сигналы, интерпретируемость методов машинного обучения, окулография, движение глаз, система поддержки принятия решения

Код ГРНТИ28.23.24

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
В докладах Всемирной Организации здравоохранения (ВОЗ) отмечается, что заболевания глаз представляют собой значительную глобальную проблему здравоохранения. Так, приводится статистика что более 2,2 миллиарда людей по всему миру сталкиваются с нарушениями зрения. При этом эксперты ВОЗ отмечают, что около 1 миллиарда случаев могли бы быть предотвращены или поправлены. В Российской Федерации существует неоднозначность и неполнота статистических данных, касающихся заболеваний глаз. Анализ информации, составляемой на основе данных от различных регионов России и предоставляемой Министерством здравоохранения Российской Федерации, отражает сложности в формировании эпидемиологической картины. В стандарте «ГОСТ Р 59921.0-2022. Системы искусственного интеллекта в клинической медицине. Основные положения» указывается что одной из задач для стимулирования создания систем искусственного интеллекта со стороны врачебного сообщества является «автоматизация рутинных операций, в т.ч. облегчение работы медицинского персонала в части ведения электронной медицинской документации (распознавание речи и изображений, автозаполнение и контроль) и интерпретации медицинских данных (система поддержки принятия врачебных решений)». При этом в стандарте «ГОСТ Р 59921.4-2021. Системы искусственного интеллекта в клинической медицине. Часть 4. Оценка и контроль эксплуатационных параметров» отмечается значимость однозначной интерпретируемости характеристик и параметров систем искусственного интеллекта. Перспективным являются комбинированные системы, которые, с одной стороны, опираются на имеющиеся представления о заболевании и на анализ скрытых закономерностей в разного рода данных, опирающихся на эти знания. При этом методы машинного обучения могут помогать определять границы применимости существующих протоколов диагностики и лечения и помогать устранять нежелательные последствия. Однако при оценке решений, полученных с помощью машинного обучения важно так же учитывать факторы, которые привели к этому решению. Стоит отметить созданные общие инструменты для реализации глобальной и локальной интерпретации моделей машинного обучения, такие как Shap (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations). Однако для создания объяснимых систем искусственного интеллекта необходимы дополнительные исследования алгоритмов, специфичных для конкретной области, особенно в сфере анализа биомедицинских сигналов. Таким образом, исследование специализированных алгоритмов объяснимых моделей искусственного интеллекта может привести к созданию более точных и надежных моделей, что в итоге улучшит результаты здравоохранения Научная новизна состоит в следующем 1. Предполагается провести анализ пациентов с такими неврологическими заболеваниями, которые недостаточно освещены в современной литературе. 2. На базе выявленных и обобщённых новых корреляционных связей и закономерностей между измеряемыми признаками движения глаз и неврологическими патологиями планируется сформировать новые подходы к диагностированию указанных патологий. 3. Предполагается разработать структуру усовершенствованных алгоритмов поддержки принятия решений и апробировать разработанные решения в виде программного модуля на языке Python.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Аннотация результатов, полученных в 2025 году
Проведенное исследование в рамках работы "Разработка методологии анализа результатов окулографических исследований с использованием интерпретируемых методов машинного обучения" позволило достичь прогресса в изучении и применении технологии отслеживания глаз для диагностики неврологических расстройств. Запланированные научные результаты были получены полностью, в частности: 1. Аналитический обзор современных методов обработки данных движения глаз выявил широкий спектр подходов, включающих предобработку, извлечение признаков, классификацию и визуализацию, применяемых для диагностики таких состояний, как легкие когнитивные нарушения, болезнь Альцгеймера, дислексия, глаукома, инсульт и миастения гравис. Использование машинного обучения, включая сверточные нейронные сети, ансамблевые модели и методы интерпретации (например, SHAP и LIME), продемонстрировало высокую точность диагностики (до 98% в отдельных исследованиях), что подтверждает перспективность технологии как неинвазивного и экономически эффективного инструмента. Однако анализ также выявил ключевые ограничения: зависимость от качества и объема данных, индивидуальная вариабельность пациентов, различия в оборудовании и алгоритмах, а также сложность стандартизации и внедрения в реальную практику. 2. На этапе разметки базы данных окулографических сигналов, собранных от здоровых добровольцев и пациентов, была реализована методология анализа глазодвигательной активности с использованием теста на фиксацию взгляда. Разработанная информационная система на языке Python позволила обработать и визуализировать данные, выделяя такие признаки, как отклонение взгляда, угловая скорость, соотношение фиксаций и саккад, а также статистика попаданий в цель. Применение алгоритмов кластеризации (DBSCAN) и пороговых методов (IVT, IDT, TRANS) обеспечило детализированное разделение глазных движений, а статистический анализ с использованием U-критерия Манна-Уитни подтвердил различия между группами здоровых участников и пациентов. 3. В исследовании, представленном на международной конференции 2025 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) показан диагностический потенциал окулографических сигналов с использованием методов неконтролируемого машинного обучения, в частности, с упором на сравнение диагностической способности различных признаков, извлеченных из данных о движении глаз. Целью исследования было определить, какие признаки более эффективны для различения групп пациентов с постинсультным нарушением зрения, особенно с диплопией, нистагмом и игнорированием. Анализируемые признаки включали статистику попадания в цель, угловое отклонение и признаки, полученные с использованием двух алгоритмов: угловая скорость и интервальный переменный порог. Это исследование способствует пониманию анализа окулографических сигналов и дает представление о том, какие признаки могут быть наиболее эффективными для обнаружения определенных нарушений движения глаз. Результаты могут помочь разработать более точные диагностические инструменты в клинических условиях для более раннего выявления и реабилитации. По результатам проведенных исследований были подготовлены 2 публикации, которые приняты в печать в зарубежных научных изданиях, индексируемых в базе данных Скопус» (SCOPUS) (план - 2)

Публикации

1. Чистяков С.Н., Долганов А.Ю., Шурупова М.А., Айзенштейн А.Д., Иванова Г.Е. Application of Unsupervised Learning for Eye-Tracking Signals Analysis IEEE, S. Zhdanova, A. Dolganov and A. Zhdanov, "ECG-Based Biometric Identification: An Overview of Professional Equipment and Smartwatch Data," 2025 IEEE 26th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2025, pp. 1720-1724, doi: 10.1109/EDM65517.2025.11096853. (год публикации - 2025)
10.1109/EDM65517.2025.11096853

2. Жданова С.Е., Долганов А.Ю., Жданов А.Е. ECG-Based Biometric Identification: An Overview of Professional Equipment and Smartwatch Data IEEE (год публикации - 2025)