AI-аналіз ЕКГ: класифікація аритмій та детекція інфаркту

Кардіолог витрачає 15–20 хвилин на аналіз однієї 12-канальної ЕКГ. При навантаженні 100 записів на день — це 25 годин чистої роботи. AI-система може виконати первинну класифікацію за 3 секунди, виділивши підозрілі випадки. Але кожна клініка унікальна: різне обладнання, протоколи, популяція. Готові рішення не адаптуються під специфіку. Ми розробляємо custom-моделі аналізу ЕКГ, які вписуються у ваш workflow і дають клінічно значущий результат.

Клінічні задачі ЕКГ AI

Класифікація аритмій

Deep 1D CNN на 12-канальному або одноканальному ЕКГ досягає чутливості 98.3% та специфічності 97.5% для фібриляції передсердь (Stanford). Окрім AF, модель детектує тріпотіння передсердь, шлуночкову тахікардію/фібриляцію (VT/VF) — життєзагрозливі стани, AV-блокади будь-якого ступеня, блокади ніжок пучка Гіса (LBBB/RBBB), WPW-синдром та надшлуночкові тахікардії. Кожен клас потребує особливої уваги до балансу даних та метрик: для VT важлива повнота (recall), для AF — точність (precision), щоб уникнути хибних спрацьовувань. Custom-модель у 1.8 раза точніше визначає рідкісні аритмії, ніж універсальні моделі.

Детекція інфаркту міокарда (ГКС)

STEMI з елевацією ST добре ловиться класичними правилами, але NSTEMI з неявними змінами часто пропускається недосвідченими лікарями. Custom-модель на CNN+Transformer перевершує правила за повнотою на NSTEMI у 2.3 раза, що критично знижує пропуски. Ми використовуємо архітектуру, яка аналізує весь 10-секундний запис цілком, а не окремі сегменти.

Як AI детектує інфаркт міокарда?

Елевація ST при STEMI детектується пороговими правилами, але NSTEMI потребує навчання нейромережі. Ми застосовуємо CNN+Transformer: модель дає recall 0.82 проти 0.36 у правил — пропусків у 2.3 раза менше. Це досягається за рахунок контекстної уваги до морфології ST-T та врахування попередніх комплексів.

Архітектура моделі

Попередня обробка сигналу

Стандартизація: 500 Hz sampling, 12 leads, 10-секундний запис = 5000 точок × 12 leads. Baseline wander removal (butterworth HPF 0.5Hz), powerline noise removal (notch 50/60Hz), R-peak detection для ритму.

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)

Датасети

• PTB-XL: 21,799 12-lead ЕКГ від 18,869 пацієнтів, 71 statement (ESC класифікація)
• PhysioNet challenge: 88,253 записів, 27 класів, з кількох глобальних джерел
• CPSC: китайський датасет, 6877 ЕКГ, 9 класів
• Georgia 12-Lead Challenge: 10,344 ЕКГ, 27 класів

Чому custom-розробка вигідніша за готове рішення?

Готові продукти орієнтовані на стандартні клініки і не враховують специфіку обладнання, форматів зберігання чи популяції. Custom-модель адаптується під ваші дані: шумові характеристики, частоту дискретизації, набір відведень. Ви отримуєте виключні права на модель та можливість донавчання під нові захворювання. Впровадження custom-системи забезпечує до 40% економії порівняно з ліцензійними продуктами (середня вартість проекту від $50 000).

Особливості для production

Noise robustness

Реальні ЕКГ з рухом пацієнта, відійшлими електродами. Аугментація при навчанні: додавання артефактів руху, baseline drift, електричних перешкод. Adversarial training підвищує robustness.

Long-term Holter analysis

24/48/72-годинний запис → аналіз event detection (всі аритмічні епізоди) + summary статистика. Автоматичний звіт: кількість епізодів AF, паузи > N секунд, ST-зміни, HRV аналіз.

Point-of-care (портативні ЕКГ)

AliveCor KardiaMobile, Apple Watch, patch-монітори — одноканальний ЕКГ. Адаптація моделі під single-lead vs. 12-lead. Необхідна спеціальна архітектура, оскільки single lead несе менше інформації.

Процес роботи

1. Аналітика: збір вимог, рев'ю існуючої інфраструктури, оцінка обсягу та якості даних.
2. Проектування: вибір архітектури (CNN+Transformer, ResNet), планування метрик (sensitivity, specificity), підготовка протоколу валідації.
3. Реалізація: попередня обробка сигналів, навчання моделі, аугментація, налаштування гіперпараметрів.
4. Тестування: внутрішнє тестування на розмічених даних, сліпе тестування з кардіологом.
5. Деплой: розгортання моделі на вашій інфраструктурі, інтеграція через REST API або HL7 FHIR.

Що входить у розробку AI-системи ЕКГ

• Документація: model card, datasheet, протокол клінічної валідації.
• Доступи: навчена модель на вашій інфраструктурі, API-сервіс з документацією.
• Навчання: тренінг для кардіологів з інтерпретації AI-результатів.
• Підтримка: 3 місяці пост-релізного супроводу, виправлення багів.

Наша команда має 5+ років досвіду в медичному AI, сертифікат ISO 13485 (менеджмент якості медичних виробів) та гарантію на модель протягом 12 місяців. Виконано 10+ проектів з аналізу сигналів. Замовте розробку під ключ — отримайте консультацію по вашому кейсу.

Для поглибленого вивчення архітектури згорткових нейромереж див. Wikipedia.

Галузеві AI-рішення: медицина, фінанси, рітейл, виробництво

Ми стикаємося з однією і тією ж проблемою: горизонтальна модель тексту не розрізняє медичну номенклатуру, а стандартний детектор об'єктів плутає «подряпину на шві зварювання» з «подряпиною на корпусі». Кожного разу це різні дефекти з різними наслідками. Щоб цього уникнути, ми будуємо галузеві рішення поверх загальних методів, але з глибоким знанням домену — від регуляторики до специфіки даних. За 5 років ми провели 80+ проектів у фінтесі, медицині, рітейлі та виробництві, і жоден не обійшовся без адаптації під конкретний business case.

Як ми будуємо галузеві AI-рішення?

Медицина: регуляторний лабіринт та data governance

Медичний AI відрізняється не технічними алгоритмами, а compliance-first підходом. Залежно від країни застосування модель може бути медичним виробом класу II або III, що вимагає клінічних випробувань (FDA, CE MDR, ГОСТ Р). Ми гарантуємо дотримання цих норм на етапі архітектури — правити постфактум в 10× дорожче.

Медична візуалізація. Детекція на рентгенограмах, КТ, МРТ — зріла область. Моделі на ResNet, EfficientNet, SegFormer досягають AUC 0.94–0.97 на стандартних задачах (пневмонія на CXR, поліпи на колоноскопії). Ключова проблема — generalization: модель, навчена на даних одного виробника сканера, деградує на іншому через відмінності в preprocessing та артефактах. Рішення — domain adaptation через MONAI (Medical Open Network for AI) від NVIDIA, в якому вбудовані DICOM-loading, 3D augmentation та confidence calibration. TotalSegmentator — для автоматичної сегментації 117 структур на КТ, production-ready, ліцензія Apache 2.0.

Clinical NLP. Вилучення структурованої інформації з клінічних записів: діагнози (ICD-10/11), призначення, дати, показники. medspaCy, scispaCy, MedCAT — спеціалізовані NLP-бібліотеки з онтологіями (SNOMED-CT, UMLS). Fine-tuning BioBERT або ClinicalBERT на наших даних дає F1 0.85–0.92 на NER задачах — це на 20-30% вище, ніж у загального BERT. Ми перевірили це на проекті з регіональним онкологічним центром: точність вилучення стадій раку зросла на 23%.

Clinical decision support. LLM-асистенти для підтримки клінічних рішень — регуляторна сіра зона. Ми використовуємо RAG-систему поверх клінічних гайдлайнів (UpToDate, локальні протоколи) з явним зазначенням джерела кожного твердження. Модель не діагностує, а допомагає знайти релевантний протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Дані в DICOM/HL7 FHIR, on-premise деплой обов'язковий.

Що входить в роботу над медичним проектом:

• Аудит даних та регуляторної карти (FDA/CE/ГОСТ)
• Вибір архітектури під тип медичного виробу
• Розробка та валідація моделі (AUC, sensitivity, specificity)
• Інтеграція з PACS/EHR (HL7 FHIR)
• Підготовка документації для CE-маркування (якщо потрібно)
• Навчання персоналу роботі з моделлю

Для оцінки вашого медичного проекту зв'яжіться з нами — ми проведемо аудит даних та регуляторних вимог.

AI рішення для фінтеху: інтерпретованість скорингу під Basel IV

Фінансовий сектор — один з найбільш зрілих щодо застосування ML, але зарегульованість тут максимальна. Кожна модель, що впливає на кредитні рішення, підпадає під Basel IV, EU AI Act, GDPR Article 22. В одному з останніх проектів ми впровадили скорингову модель для банку з топ-10, де кожен запис вимагав пояснення по SHAP.

Кредитний скоринг. Gradient boosting (LightGBM, XGBoost) — домінує. Нейронні мережі дають +0.5–2% AUC, але втрачають інтерпретованість. LightGBM навчається в 3-5 разів швидше за нейронні мережі та дає змогу використовувати SHAP для пояснення кожного рішення. Обов'язкова перевірка на fairness: Fairlearn або aif360 для аудиту disparate impact по protected attributes (вік, стать). Клас «дефолт» становить 1–5% — при імбалансі 1:30 модель з accuracy 97% може мати recall 0.2. Рішення: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмічний трейдинг та ризик-менеджмент. LSTM та Transformer для прогнозу цін — популярні, але в production нестабільні через нестаціонарність фінансових рядів. Більш надійний підхід: ML для signal generation (класифікація: зростання/падіння за горизонт N) з традиційним portfolio optimization зверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичний правильний backtesting — look-ahead bias вбиває результати. Ми гарантуємо чистоту експерименту: всі дані на момент сигналу доступні в реальному часі.

AML (Anti-Money Laundering). Graph Neural Networks для аналізу транзакційних мереж — активно розвивається область. PyG, DGL для GNN. Задача: виявити suspicious patterns в графі транзакцій (layering, structuring). Recall критичніший за precision — краще 10 хибних тривог, ніж пропустити відмивання. В проекті для великого платіжного сервісу ми підвищили recall на 18% без збільшення false positive rate.

Що входить в роботу над фінансовим проектом:

• Аудит даних та регуляторних вимог (Basel, EU AI Act)
• Вибір моделі та забезпечення explainability (SHAP, LIME)
• Перевірка fairness та відсутність bias
• Інтеграція з core banking / trading systems
• Документація та compliance-звітність
• Моніторинг дрейфу моделі та ретрейн

Замовте консультацію — ми оцінимо ваш датасет та відповідність регуляторним вимогам

Рітейл та e-commerce: рекомендаційні системи та demand forecasting

Рекомендаційні системи. Архітектурний стандарт останніх років: two-tower модель для retrieval + ranking з cross-features. TensorFlow Recommenders або Merlin від NVIDIA для GPU-accelerated feature processing. Для невеликих каталогів (<100k item) достатньо LightFM. Часта помилка — навчати на implicit feedback без урахування position bias. Рішення: IPW (Inverse Propensity Weighting) або randomized logging на частині трафіку. Термін розробки базової рекомендаційної системи — 4–8 тижнів, включаючи A/B-тест.

Demand forecasting та inventory optimization. Ієрархічне прогнозування: SKU → категорія → магазин → регіон. HierarchicalForecast від Nixtla автоматично узгоджує прогнози за рівнями. TFT або N-HiTS для базового прогнозу, gradient boosting для adjustment на екзогенних факторах (промо, погода, події). Один проект у рітейлі призвів до зниження сток-аутів на 15% за рахунок точного промо-калібрування.

Visual search та розмірна сумісність. CLIP-embeddings для пошуку за зображенням — деплоїться за 2–3 тижні: clip-ViT-B-32 або clip-ViT-L-14, індекс Faiss або Qdrant, REST API. Для size recommendation — специфічні моделі на даних повернень та відгуків із зазначенням fit.

Що входить в роботу над рітейл-проектом:

• Аналіз даних транзакцій, товарів, клієнтів
• Вибір архітектури (collaborative / content-based / hybrid)
• Розробка та оцінка якості (NDCG, recall@k, MRR)
• A/B-тест та моніторинг business impact
• Підтримка версіонування та пере навчання моделей

Отримайте комерційну пропозицію для вашого e-commerce проекту

Чому domain expert критичний для галузевого AI?

Виробництво: інспекція якості та predictive maintenance

Quality control та дефектоскопія. CV-моделі для інспекції продукції — одне з найбільш зрілих галузевих завдань. YOLOv10 для детекції дефектів, SegFormer для сегментації. Специфіка: дисбаланс класів (дефекти рідкісні), високі вимоги до recall (пропуск дефекту гірший за хибну тривогу). Типовий набір даних: 500–2000 зображень з дефектами + 500–1000 нормальних. Few-shot learning через DINO або SAM 2 дозволяє працювати з 50–100 анотованими прикладами. Ми отримали досвід на лінії з виробництва електроніки — recall 0.95 при FPR 0.03.

Predictive maintenance. Вібраційні датчики, струмові датчики, термопари → feature extraction → аномалія або класифікація режиму. Моделі: LSTM-AE для unsupervised, LightGBM для supervised (якщо є історія відмов). Інтеграція з SCADA/OPC-UA через opcua-asyncio або MQTT. Ключова метрика: False Negative Rate — пропущений передвідмова коштує дорожче хибної тривоги. Поріг налаштовується під бізнес-вартість кожного типу помилки. Терміни: від 3 до 6 місяців до production.

Digital twin та симуляція. Surrogate models — ML-моделі, що замінюють дороге фізичне моделювання. Якщо CFD-симуляція займає 6 годин, а surrogate (навчена на 10 000 симуляцій) — 0.01 секунди, це 2 000 000× прискорення для оптимізації. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Що входить в роботу над виробничим проектом:

• Аудит даних сенсорів / зображень
• Вибір моделі під задачу (CV / time series / vibro)
• Розробка пайплайну (ETL, feature engineering, training)
• Розгортання на Edge / on-premise
• Моніторинг та ретрейн моделі

Загальні принципи галузевого AI. Незалежно від галузі, є патерни, що працюють скрізь. Domain expert в команді — ML-інженер без domain knowledge робить повільно і з помилками те, що ML-інженер плюс лікар/фінансист/технолог зроблять швидко і правильно. Compliance-first design — регуляторні вимоги простіше вбудувати в архітектуру з початку, ніж додати пізніше. Логування, пояснюваність, версіонування — з першого дня. Дані важливіші за архітектуру — в медицині 1000 якісно розмічених знімків краще 100 000 поганих. У виробництві 200 реальних прикладів дефектів цінніші за 10 000 синтетичних.

Порівняння підходів за швидкістю та точністю для різних галузей:

Як проходить робота над галузевим AI-рішенням?

1. Занурення в домен (2–3 дні) — інтерв'ю з експертами, вивчення регуляторних вимог, аудит доступних даних.
2. Проектування MVP (1–2 тижні) — вибір стеку, архітектури, оцінка feasibility.
3. Розробка та валідація (від 4 тижнів до 6 місяців залежно від галузі) — навчання моделі, тестування, compliance.
4. Інтеграція та деплой (1–4 тижні) — on-premise / cloud / edge, документація, навчання персоналу.
5. Підтримка та моніторинг — дрейф моделі, ретрейн, SLA.

Орієнтовні терміни:

Вартість розраховується індивідуально під кожен проект. Отримайте консультацію — оцінимо ваш датасет, регуляторну карту та бізнес-цілі.

Наш досвід та гарантії

80+ реалізованих проектів у фінтесі, медицині, рітейлі та виробництві. Стійкий досвід роботи з compliance та деплоєм. Ми відповідаємо за досягнення цільових метрик (AUC, recall, latency p99) і надаємо повну документацію — model card, datasheet, compliance report. Використовуємо open-source з комерційно безпечними ліцензіями (PyTorch, MONAI, LightGBM, Qdrant). Працюємо як підрядник та в ролі посилення вашої команди.

Зв'яжіться з нами — обговоримо ваше завдання та підготуємо комерційну пропозицію з планом робіт.