Создание AI-системы ветеринарной диагностики по сенсорам и видео

Разработка AI ветеринарной диагностики: где теряются ранние случаи

На приёме в клинике животное проводит 15–20 минут, и за это время врач успевает собрать анамнез, осмотреть, назначить лечение. Оценку состояния он строит по короткому фрагменту поведения в кабинете — а кошки и собаки маскируют боль до последнего: в незнакомом помещении замирают, не показывают хромоту в полную силу и не демонстрируют вялость, которую хозяин видит дома.

Отсюда и ошибки ручного осмотра. Пропущенная хромота на ранней стадии, списанное на стресс учащённое дыхание, не замеченное снижение активности — всё это сравнивается не с базовой линией конкретного животного, а с усреднённым представлением врача о норме. Чем плотнее поток приёмов, тем меньше ресурса остаётся на то, чтобы заметить отклонение, которое ещё не стало симптомом.

AI-диагностика животных меняет точку отсчёта: носимая сенсорика и камера дают непрерывный ряд наблюдений за недели, а не за один осмотр. Модель видит, как меняется двигательная активность, распределение веса по лапам, ритм дыхания в покое, доля сна и моторика в привычной среде, — и поднимает сигнал на отклонении от собственной нормы животного. Профильные рекомендации AAHA по наблюдению за старшими питомцами прямо опираются на такую динамику, только собирать её руками клиника не может.

Ранняя диагностика по видео и сенсорным данным здесь не заменяет врача, а приносит ему то, чего не хватает в кабинете: объективную базовую линию, воспроизводимые метрики и приоритет — кого звать на внеплановый приём в первую очередь. Дальше разбираем, как это закрывается в проекте: от сбора данных до порогов срабатывания, при которых сигнал остаётся полезным, а не превращается в шум.

Что меняется после внедрения: измеримые эффекты для клиники

Эффект от внедрения видно не в интерфейсе, а в обычной статистике приёмов. Разбор случая по сенсорам и видео перестаёт зависеть от того, кто сегодня на смене: система обрабатывает записи и показания параллельно с осмотром и отдаёт врачу предварительную картину за минуты, а не за время, которое уходит на просмотр архива и ручные замеры.

Точность диагностики измеряем на размеченной выборке случаев: доля совпадений с подтверждённым заключением растёт, а доля пропущенных состояний сокращается в разы. Отдельно считаем пограничные случаи — те, где система не уверена, попадают в очередь с пометкой, поэтому редкие патологии не теряются в потоке.

Поддержка решения врача устроена как второй взгляд, а не как готовый приговор. Система предлагает версии, подсвечивает отклонения в показаниях и на видео, но финальное заключение остаётся за специалистом: он видит основание для каждой подсказки и может её отклонить.

Стандартизация решений врачей даёт эффект, который труднее всего заметить, но проще всего посчитать. Единая шкала оценки, общий набор признаков и один протокол разбора убирают разброс между сменами — на одних и тех же записях расхождения между специалистами падают с трети случаев до единиц.

В сумме это меняет поток: меньше повторных приёмов «на всякий случай», быстрее разбор сложных случаев, предсказуемая загрузка диагностики в пиковые часы. Дальше разбираем, из чего складывается такая работа — от подготовки данных до сопровождения системы.

Режимы работы: видео, сенсоры и гибридный контур

Вариантов построения три, и выбор между ними определяет не точность модели, а то, какие признаки нужно поймать и что физически доступно на объекте. Видеоанализ поведения считывает позу, походку, подход к кормушке и социальные взаимодействия; сенсорные датчики дают непрерывную телеметрию по каждому животному. Гибридный режим соединяет оба канала там, где вывод опирается на совокупность признаков, а не на один.

Обработка на месте снимает часть ограничений: кадры не покидают объект, наружу уходят только события и метрики, поэтому узкий канал и нестабильная связь перестают быть блокером. Ограничения методов при этом остаются принципиальными — ни один режим не ставит диагноз: система выдаёт сигнал и оценку уверенности, а решение принимает ветеринарный врач. Поэтому до старта проговариваем, какие признаки считаем достаточными, иначе точность окажется высокой, а польза от неё — нулевой.

Как ведём проект: от аудита данных до передачи модели

Инженерный маршрут фиксируем до старта: у каждого этапа есть вход, выход и критерий приёмки, который заказчик проверяет вместе с нами. Так проект остаётся управляемым, а не превращается в бесконечное исследование.

1. Аудит данных. Разбираем накопленное: видео из боксов, показания носимых сенсоров, журналы осмотров, лабораторные подтверждения. Ищем пропуски по породам и возрастам и долю случаев с подтверждённым диагнозом. На выходе — карта данных и перечень пробелов.
2. Схема контура. Договариваемся, какие сигналы снимаем, с какой периодичностью, где хранятся записи, как подписываются эпизоды и разграничивается доступ к данным питомцев.
3. Разметка датасета. Врачи размечают эпизоды по единому протоколу: что считать нормой, что признаком, как трактовать пограничные случаи. Спорные фрагменты разбираем вместе — противоречивых примеров в выборке не остаётся.
4. Обучение модели. Учим на сбалансированной выборке и отдельно прорабатываем редкие состояния: иначе система уверенно находит частые патологии и молчит на редких.
5. Проверка на отложенной выборке. Считаем метрики на записях, которых модель не видела, и отдельно — на данных другой клиники и другого оборудования: видно, переносится ли результат.
6. Передача и обучение команды. Отдаём модель, конфигурации, документацию и регламент обновления, обучаем врачей и поддержку, сопровождаем опытную эксплуатацию.

Что остаётся у клиники: модели, датасеты, регламенты

Работы заканчиваются не демонстрацией на нашем стенде, а передачей артефактов в клинику. Всё наработанное физически переносится в вашу инфраструктуру и продолжает работать без нашего участия — без закрытых сервисов и привязки к подрядчику.

• Датасет клиники — размеченные снимки и видеозаписи из вашей практики: единый формат, разметка по классам, разделение на обучающую, валидационную и контрольную части. Материал остаётся у вас и пополняется новыми случаями.
• Обученная модель — веса актуальной версии с метриками на контрольной выборке и картой классов. Запускается на вашем сервере, снимки за пределы клиники не уходят.
• Конфигурации и скрипты обучения — чтобы дообучить модель на пополненном датасете и повторить результат, а не начинать проект заново.
• Регламент работы — как вывод модели встроен в приём: кто его смотрит, при какой уверенности случай уходит врачу, как фиксируется расхождение с диагнозом.
• Инструкция для врачей — памятка по загрузке материалов и трактовке ответа системы, рассчитанная на человека без технической подготовки.
• Документация по системе — схема развёртывания, требования к оборудованию, точки стыковки с учётной системой, порядок обновления модели.
• Журнал контроля качества — метрики по каждой версии, чтобы падение качества после обновления было видно сразу, а не по жалобам на приёме.

Такой комплект делает клинику владельцем системы, а не арендатором: дообучение, обновление и смену подрядчика можно провести без нас.

Кейс: как выросла выявляемость на потоке приёмов

Клиника с тремя врачами на смене и потоком в несколько десятков исследований в день. Узким местом оказалась не нехватка данных, а их плотность: снимки и записи осмотра разбирают между приёмами, часть патологий замечают задним числом — когда животное возвращается с уже развившейся картиной. Цена такого пропуска — повторный приём, потерянное время и лечение по факту осложнения.

Пилотный запуск делали на одном направлении, чтобы сравнить показатели на одной и той же команде врачей. Система принимает поток с сенсоров и видео, размечает зоны отклонений и отдаёт врачу вероятность патологии с обоснованием — решение всегда остаётся за человеком.

Метрики до и после внедрения

Сроки внедрения — девять недель: три на разбор архива и разметку, две на обучение и проверку на отложенной выборке, остальное — работа на потоке и настройка порогов чувствительности под профиль клиники. Первичные данные — журналы приёмов и Реестр клинических наблюдений, выгрузку сверяли с заключениями врачей вручную.

Чем отличается анализ видео от анализа сенсорных данных?

Видео даёт поведенческий контекст: хромота, поза, подход к кормушке, частота дыхания, стычки у поилки. Модель работает по кадрам и их последовательности, поэтому точность видеоанализа держится на условиях съёмки — свет, угол, перекрытие соседями, подстилка, контраст шерсти на фоне. Переезд камеры или смена ракурса требуют новой разметки и дообучения, иначе растёт доля пропусков, причём без явной ошибки в журнале: система продолжает отвечать уверенно, но хуже.

Сенсорные данные — это числа: активность по акселерометру, температура, время жвачки, потребление воды, вес. Такой сигнал устойчив к освещению и не зависит от оператора, зато локален — одно животное, один участок. Точность ограничивают дрейф калибровки, потеря датчика (оторвался ошейник — пропуск в ряду) и разная посадка на теле; вывод из этих чисел косвенный — отклонение повышает вероятность, но не называет причину.

Открытые корпуса поведенческих клипов, например Animal Kingdom, ускоряют старт, но домен всё равно доразмечают своими записями.

В одном контуре каналы не противопоставляют, а связывают. Сенсорика работает дежурным триггером: заметила отклонение — подняла окно записи, а видео подтверждает и уточняет, единичный это случай или устойчивый. Слияние бывает ранним (признаки складываются до классификатора) и поздним (решения объединяются по уверенности); обоим нужна жёсткая синхронизация времени — расхождение часов разводит события и рушит связку.

Выбор метода задают условия объекта: стабильный свет и обзор — видео даёт больше; плотная посадка и плохой ракурс — опора на сенсоры. На старте один канал фиксируют как основной, второй — как проверочный, а качество считают по доле найденных случаев при допустимой доле ложных срабатываний.

Технические сомнения перед стартом: коротко по существу

Сенсоры и видео дают поток наблюдений, но качество решения определяется не моделью, а тем, как подготовлены данные, как система стыкуется с учётной системой клиники и что происходит с ней после запуска. Ниже — короткие ответы на вопросы, которые чаще всего звучат на этапе оценки и напрямую задают объём работ.

Как система стыкуется с учётной системой клиники?

Обмен идёт через её программный интерфейс: карточка животного, история приёмов, результат исследования. Справочники пород и диагнозов сопоставляем заранее, спорные записи ведём отдельным списком. На старте система работает в режиме подсказки — решение остаётся за врачом.

Что делать с ложными срабатываниями?

Разделяем два типа ошибок — пропуск и ложную тревогу — и настраиваем порог под клинический риск: где пропуск опаснее, чувствительность выше. Каждое срабатывание логируется с кадром и контекстом, спорные случаи разбираем на регулярных прогонах и дообучаем на них.

Как обновляется модель после запуска?

Версии фиксируем: новая сборка проходит теневой прогон на архиве исследований и сравнивается с текущей по метрикам, затем выводится на часть кабинетов. Если показатели падают — откат на предыдущую версию занимает минуты, работа клиники не останавливается.

Обсудим задачу: что нужно, чтобы вернуться с планом

Чтобы вернуться с оценкой проекта и планом работ, а не с общими формулировками, нам нужен контекст. На старте достаточно описать, каких животных наблюдаем, что уже установлено на площадке и какой результат считается рабочим — дальше мы сами зададим уточняющие вопросы по каждому пункту.

• Какие состояния нужно распознавать: перечень диагнозов или отклонений и что считается ложным срабатыванием.
• Исходные данные: видеозаписи, показания сенсоров, выгрузка из журнала приёмов — с форматами, длительностью и объёмом.
• Разметка: есть ли подтверждённые ветеринаром случаи, в каком виде зафиксированы и кто может её дополнять.
• Условия съёмки: освещение, ракурсы, породы и возрастные группы, есть ли движение животных в кадре.
• Ограничения по данным: где должна работать система — локально на площадке или с передачей наружу, сколько записей хранить.
• Люди со стороны заказчика: ветеринары и операторы, которые участвуют в приёмке результатов.
• Приоритеты: какое состояние критично распознавать первым и к какому сроку нужен работающий контур.

Полного набора данных на старте почти не бывает, и это не блокирует работу. Пилотное внедрение запускаем на ограниченной выборке, сверяем качество на реальных случаях и только потом расширяем перечень состояний и площадок.

Опишите задачу — вернёмся с оценкой, планом работ и понятными границами этапов.