AI-анализ ЭКГ: классификация аритмий и детекция инфаркта

Кардиолог тратит 15–20 минут на анализ одной 12-канальной ЭКГ. При нагрузке 100 записей в день — это 25 часов чистой работы. AI-система может выполнить первичную классификацию за 3 секунды, выделив подозрительные случаи. Но каждая клиника уникальна: разное оборудование, протоколы, популяция. Готовые решения не адаптируются под специфику. Мы разрабатываем custom-модели анализа ЭКГ, которые вписываются в ваш workflow и дают клинически значимый результат.

Клинические задачи ЭКГ AI

Классификация аритмий

Deep 1D CNN на 12-канальном или одноканальном ЭКГ достигает чувствительности 98.3% и специфичности 97.5% для фибрилляции предсерций (Stanford). Помимо AF, модель детектирует трепетание предсердий, желудочковую тахикардию/фибрилляцию (VT/VF) — жизнеугрожающие состояния, AV-блокады любой степени, блокады ножек пучка Гиса (LBBB/RBBB), WPW-синдром и наджелудочковые тахикардии. Каждый класс требует особого внимания к балансу данных и метрикам: для VT важна полнота (recall), для AF — точность (precision), чтобы избежать ложных срабатываний. Custom-модель в 1.8 раза точнее определяет редкие аритмии, чем универсальные модели.

Детекция инфаркта миокарда (ОКС)

STEMI с элевацией ST хорошо ловится классическими правилами, но NSTEMI с неявными изменениями часто пропускается неопытными врачами. Custom-модель на CNN+Transformer превосходит правила по полноте на NSTEMI в 2.3 раза, что критически снижает пропуски. Мы используем архитектуру, которая анализирует всю 10-секундную запись целиком, а не отдельные сегменты.

Как AI детектирует инфаркт миокарда?

Элевация ST при STEMI детектируется пороговыми правилами, но NSTEMI требует обучения нейросети. Мы применяем CNN+Transformer: модель даёт recall 0.82 против 0.36 у правил — пропусков в 2.3 раза меньше. Это достигается за счёт контекстного внимания к морфологии ST-T и учёта предшествующих комплексов.

Архитектура модели

Предобработка сигнала

Стандартизация: 500 Hz sampling, 12 leads, 10-секундная запись = 5000 точек × 12 leads. Baseline wander removal (butterworth HPF 0.5Hz), powerline noise removal (notch 50/60Hz), R-peak detection для ритма.

Deep 1D CNN

import torch
import torch.nn as nn

class ECGNet(nn.Module):
    def __init__(self, num_classes=20):
        super().__init__()
        # Multi-lead feature extraction
        self.lead_encoder = nn.Sequential(
            nn.Conv1d(12, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm1d(64), nn.ReLU(),
            nn.Conv1d(64, 128, kernel_size=5, stride=2, padding=2),
            nn.BatchNorm1d(128), nn.ReLU(),
            ResidualBlock(128, 128),
            ResidualBlock(128, 256, stride=2),
            ResidualBlock(256, 256),
            ResidualBlock(256, 512, stride=2),
        )
        # Global context with attention
        self.attention = nn.MultiheadAttention(512, num_heads=8, batch_first=True)
        self.classifier = nn.Linear(512, num_classes)

    def forward(self, x):  # x: [batch, 12, 5000]
        features = self.lead_encoder(x)  # [batch, 512, T]
        features = features.transpose(1, 2)  # [batch, T, 512]
        attended, _ = self.attention(features, features, features)
        pooled = attended.mean(dim=1)
        return self.classifier(pooled)

Датасеты

• PTB-XL: 21,799 12-lead ЭКГ от 18,869 пациентов, 71 statement (ESC классификация)
• PhysioNet challenge: 88,253 записей, 27 классов, из нескольких глобальных источников
• CPSC: китайский датасет, 6877 ЭКГ, 9 классов
• Georgia 12-Lead Challenge: 10,344 ЭКГ, 27 классов

Почему custom-разработка выгоднее готового решения?

Готовые продукты ориентированы на стандартные клиники и не учитывают специфику оборудования, форматов хранения или популяции. Custom-модель адаптируется под ваши данные: шумовые характеристики, частоту дискретизации, набор отведений. Вы получаете исключительные права на модель и возможность дообучения под новые заболевания. По оценкам, внедрение custom-системы экономит клинике от 1 до 3 млн рублей в год по сравнению с лицензионными отчислениями. Снижение затрат на аутсорсинг расшифровки ЭКГ: при объёме 5000 записей в месяц экономия достигает 800 тысяч рублей в год.

Особенности для production

Noise robustness

Реальные ЭКГ с движением пациента, отошедшими электродами. Аугментация при обучении: добавление артефактов движения, baseline drift, электрических помех. Adversarial training повышает robustness.

Long-term Holter analysis

24/48/72-часовая запись → анализ event detection (все аритмические эпизоды) + summary статистика. Автоматический отчёт: количество эпизодов AF, паузы > N секунд, ST-изменения, HRV анализ.

Point-of-care (портативные ЭКГ)

AliveCor KardiaMobile, Apple Watch, patch-мониторы — одноканальный ЭКГ. Адаптация модели под single-lead vs. 12-lead. Необходима специальная архитектура, т.к. single lead несёт меньше информации.

Процесс работы

1. Аналитика: сбор требований, ревью существующей инфраструктуры, оценка объёма и качества данных.
2. Проектирование: выбор архитектуры (CNN+Transformer, ResNet), планирование метрик (sensitivity, specificity), подготовка протокола валидации.
3. Реализация: предобработка сигналов, обучение модели, аугментация, настройка гиперпараметров.
4. Тестирование: внутреннее тестирование на размеченных данных, слепое тестирование с кардиологом.
5. Деплой: развёртывание модели на вашей инфраструктуре, интеграция через REST API или HL7 FHIR.

Что входит в разработку AI-системы ЭКГ

• Документация: model card, datasheet, протокол клинической валидации.
• Доступы: обученная модель на вашей инфраструктуре, API-сервис с документацией.
• Обучение: тренинг для кардиологов по интерпретации AI-результатов.
• Поддержка: 3 месяца пост-релизного сопровождения, исправление багов.

Наша команда имеет 5+ лет опыта в медицинском AI, 10+ проектов по анализу сигналов. Свяжитесь с нами для оценки вашего проекта. Закажите разработку под ключ — получите консультацию по вашему кейсу.

Для углублённого изучения архитектуры свёрточных нейросетей см. Wikipedia.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.