Разработка моделей машинного обучения для прогнозирования заболеваний желудочно-кишечного тракта

В статье рассматривается задача прогнозирования патологических состояний желудочно-кишечного тракта по эндоскопическим изображениям с использованием моделей машинного обучения. Актуальность исследования связана с необходимостью повышения воспроизводимости предварительной оценки эндоскопических данных и снижения риска пропуска клинически значимых изображений при большом объеме визуальной информации. Цель работы состоит в разработке и экспериментальной проверке ресурсно-эффективной схемы классификации эндоскопических изображений, учитывающей среднее качество распознавания и надежность автоматического решения для патологических классов. В качестве экспериментальной базы использован открытый набор Kvasir-v2, включающий 8000 изображений восьми классов. Сравнивались простая сверточная нейронная сеть, MobileNetV2 и EfficientNetB0 с переносом обучения. Дополнительно предложена селективная схема, объединяющая прогнозы двух наиболее сильных моделей и направляющая сомнительные изображения на ручную проверку. Эксперимент показал, что EfficientNetB0 достигает средней F-меры 0,8497 на тестовой части, а объединенный прогноз повышает значение показателя до 0,8681. Предложенная селективная схема обеспечила среднюю F-меру 0,9581 среди автоматически принятых решений и снизила число опасных автоматических ошибок с 64 до 10. Полученные результаты показывают перспективность клинически ориентированного подхода, при котором автоматическая классификация дополняется контролем уверенности и оценкой риска пропуска патологического состояния.

1. Bray F., Laversanne M., Sung H., et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians. 2024;74(3):229–263. https://doi.org/10.3322/caac.21834

2. Wu S., Zhang Y., Lin Z., et al. Global burden of colorectal cancer in 2022 and projections to 2050: incidence and mortality estimates from GLOBOCAN. BMC Cancer. 2025;25(1):1770. https://doi.org/10.1186/s12885-025-15138-0

3. Messmann H., Bisschops R., Antonelli G., et al. Expected value of artificial intelligence in gastrointestinal endoscopy: European Society of Gastrointestinal Endoscopy (ESGE) position statement. Endoscopy. 2022;54(12):1211–1231. https://doi.org/10.1055/a-1950-5694

4. Nie Z., Xu M., Wang Zh., et al. A review of application of deep learning in endoscopic image processing. Journal of Imaging. 2024;10(11):275. https://doi.org/10.3390/jimaging10110275

5. Zha B., Cai A., Wang G. Diagnostic accuracy of artificial intelligence in endoscopy: umbrella review. JMIR Medical Informatics. 2024;12:e56361. https://doi.org/10.2196/56361

6. Zubair Rahman A.M.J.M., Mythili R., Chokkanathan K., et al. Enhancing image-based diagnosis of gastrointestinal tract diseases through deep learning with EfficientNet and advanced data augmentation techniques. BMC Medical Imaging. 2024;24(1):306. https://doi.org/10.1186/s12880-024-01479-y

7. El-Sayed A., Lovat L.B., Ahmad O.F. Clinical implementation of artificial intelligence in gastroenterology: current landscape, regulatory challenges, and ethical issues. Gastroenterology. 2025;169(3):518–530. https://doi.org/10.1053/j.gastro.2025.01.254

8. Ali H., Muzammil M.A., Dahiya D.S., et al. Artificial intelligence in gastrointestinal endoscopy: a comprehensive review. Annals of Gastroenterology. 2024;37(2):133–141. https://doi.org/10.20524/aog.2024.0861

9. Theocharopoulos Ch., Davakis S., Ziogas D.C., et al. Deep learning for image analysis in the diagnosis and management of esophageal cancer. Cancers. 2024;16(19):3285. https://doi.org/10.3390/cancers16193285

10. Jahagirdar V., Bapaye J.A., Chandan S., et al. Diagnostic accuracy of convolutional neural network-based machine learning algorithms in endoscopic severity prediction of ulcerative colitis: a systematic review and meta-analysis. Gastrointestinal Endoscopy. 2023;98(2):145–154.e8. https://doi.org/10.1016/j.gie.2023.04.2074

11. Завьялов Д.В., Кашин С.В., Гусейнова С.Р. Система CAD EYE для детекции и дифференцировки новообразований толстой кишки в режиме реального времени. Доказательная гастроэнтерология. 2024;13(2):50–54. https://doi.org/10.17116/dokgastro20241302150

12. Хрящев В.В., Завьялов Д.В., Андержанова А.С. Классификация эндоскопических изображений устья червеобразного отростка на основе методов глубокого машинного обучения. Цифровая обработка сигналов. 2023;(1):35–38.

13. Кашин С.В., Завьялов Д.В., Гусейнова С.Р. и др. Оценка ключевых показателей качества скрининговой колоноскопии с использованием системы искусственного интеллекта. Доказательная гастроэнтерология. 2025;14(4):56–64. https://doi.org/10.17116/dokgastro20251404156

14. Pogorelov K., Randel K.R., Griwodz C., et al. KVASIR: a multi-class image dataset for computer aided gastrointestinal disease detection. In: Proceedings of the 8th ACM on Multimedia Systems Conference, 20–23 June 2017, Taipei, Taiwan. New York: ACM; 2017. P. 164–169. https://doi.org/10.1145/3083187.3083212

15. Sandler M., Howard A., Zhu M., et al. MobileNetV2: inverted residuals and linear bottlenecks. In: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 18–23 June 2018, Salt Lake City, UT, USA. IEEE; 2018. P. 4510–4520. https://doi.org/10.1109/CVPR.2018.00474

16. Tan M., Le Q.V. EfficientNet: rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning, 09–15 June 2019, Long Beach, CA, USA. PMLR; 2019. P. 6105–6114.

17. Kingma D.P., Ba J. Adam: a method for stochastic optimization. In: 3rd International Conference on Learning Representations, 07–09 May 2015, San Diego, CA, USA. 2015. URL: https://arxiv.org/abs/1412.6980

18. Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: visual explanations from deep networks via gradient-based localization. International Journal of Computer Vision. 2020;128(8):336–359. https://doi.org/10.1007/s11263-019-01228-7