Вишняков Владимир Анатольевич, д-р техн. наук, проф. каф. инфокоммуникационных технологий
220013, Минск, ул. П. Бровки, 6
Тел.: +375 44 486-71-82
Vishniakou Uladzimir, Dr. Sci. (Tech.), Professor at the Department of Infocommunic
220013, Minsk, P. Brovki St., 6
Tel.: +375 44 486-71-82
Интеграция интернета медицинских вещей и технологий искусственного интеллекта создает новую парадигму в диагностической медицине. В статье, принимая во внимание растущие требования к безопасности данных, скорости обработки и нормативным ограничениям, рассмотрена архитектура локальной (edge-based) системы интернета медицинских вещей для анализа мультимодальных медицинских изображений, таких как магнитно-резонансная и позитронно-эмиссионная томография пациентов с болезнью Альцгеймера. В отличие от облачных решений предлагаемая система обеспечивает обработку данных непосредственно в медицинском учреждении, что минимизирует задержки, снижает риски, связанные с передачей конфиденциальных данных, и обеспечивает полный контроль над информацией. Система использует современные сверточные нейронные сети для автоматической сегментации, классификации и мультимодального анализа, демонстрируя увеличение диагностической точности при нейродегенеративных заболеваниях на 15–30 % в исследовательских задачах. Разработаны структура и детализация системы, описаны ее ключевые блоки. Рассмотрено обучение нейронных сетей, распознавание с их помощью болезни Альцгеймера. Отмечены преимущества локального подхода и перспективы внедрения системы интернета медицинских вещей.
The integration of the internet of medical things and artificial intelligence technologies is creating a new paradigm in diagnostic medicine. Taking into account growing demands for data security, processing speed, and regulatory restrictions, this article examines the architecture of a local (edge-based) internet of medical things system for analyzing multimodal medical images, such as magnetic resonance imaging and positron emission tomography scans of patients with Alzheimer’s disease. Unlike cloud-based solutions, the proposed system processes data directly at the medical facility, minimizing delays, reducing the risks associated with the transfer of confidential data, and providing complete control over the information. The system utilizes modern convolutional neural networks for automatic segmentation, classification, and multimodal analysis, demonstrating a 15–30 % increase in diagnostic accuracy for neurodegenerative diseases in research settings. The structure and details of the system are developed, and its key components are described. Neural network training and Alzheimer’s disease recognition using these networks are discussed. The advantages of the local approach and the prospects for implementing the internet of medical things system are highlighted.
The authors declare that there are no conflicts of interest present.