Конкурс «Био/Мол/Текст»-2025/2026

Эта работа опубликована в спецноминации «Искусственный интеллект в биологии» конкурса «Био/Мол/Текст»-2025/2026.

Генеральный партнер конкурса — международная инновационная биотехнологическая компания BIOCAD.

---

Партнер номинации — компания Центральный университет в лице совместной с институтом AIRI Лаборатории ИИ, анализа данных и моделирования.

---

«Книжный» спонсор конкурса — «Альпина нон-фикшн»

Вызов традиционной диагностике

Паразитарные заболевания (инвазии) наносят колоссальный экономический ущерб животноводству и представляют серьезную угрозу для здоровья человека, передаваясь через продукты питания и сырье. Несмотря на распространенность, ключевой проблемой остается отсутствие универсального, быстрого и доступного метода диагностики. Существующие методы требуют времени, специального оборудования и лабораторных условий, что затягивает постановку диагноза и, как следствие, отодвигает начало необходимого лечения [1].

Традиционные методы (визуальный осмотр, микроскопия) ограничиваются субъективностью эксперта, трудоемкостью и высоким человеческим фактором. В условиях современных объемов производства, эти методы зачастую не справляются с требованиями скорости и объективности.

Например, для выявления трихинеллеза у животных применяется либо метод переваривания в желудочном соке (требует 16–18 часов инкубации в термостате), либо компрессорная трихинеллоскопия (необходимость исследования 24 срезов каждой пробы под микроскопом) [2]. Оба метода трудоемки, требуют лабораторного оборудования и квалифицированного персонала, что делает их малопригодными для массового использования. В ситуациях, когда требуется быстрая оценка (например, при обнаружении паразита охотником в туше дикого животного), традиционные методы неприменимы вовсе. Это создает потребность в простом, быстром и доступном инструменте предварительной диагностики, которым и является разрабатываемая нейросетевая модель.

В условиях современного динамичного сельского хозяйства и роста требований к пищевой безопасности этот пробел в диагностике становится все более критичным [1].

ИИ против паразитов

Актуальность и новизна нашей работы заключаются в применении технологий искусственного интеллекта для решения этой давней проблемы. Анализ литературных данных показывает, что методы ИИ уже демонстрируют высокую эффективность в паразитологии. Так, в исследованиях, направленных на диагностику гельминтозов, передающихся через почву, в условиях ограниченных ресурсов (например, в Кении) ИИ показал бо́льшую чувствительность, чем ручной микроскопический анализ, особенно при слабой инвазии [3]. В другом примере автоматизированная система на основе ИИ и роботизированной микроскопии достигла точности свыше 99% в обнаружении яиц Schistosoma haematobium [4]. В России также подтверждена перспективность применения нейросетей для анализа медицинских изображений при инфекционных заболеваниях [5].

Однако ключевым отличием и новизной нашего подхода является:

1. фокус на дифференциации двух основных классов гельминтов (нематод и цестод) по морфологическим признакам на фотографиях;
2. использование максимально доступной платформы (Google Teachable Machine), не требующей сложного оборудования или глубоких знаний в программировании;
3. создание инструмента для быстрой полевой диагностики и помощника в лабораторных исследованиях в клинических условиях.

Мы предлагаем использовать обученную нейронную сеть для мгновенной дифференциации паразитов по их изображению. Пользователь может загрузить фотографию половозрелой формы гельминта, после чего система определит его класс и представит результат в виде процентного соотношения вероятностей. Подробное описание архитектуры, процесса обучения и оценка точности модели приведена в следующих разделах. В перспективе система может быть дообучена для идентификации других стадий развития паразитов, таких как яйца и личинки гельминтов.

Важно подчеркнуть, что на сегодняшний день на территории Российской Федерации аналогов подобному решению не существует. Однако другие страны уже стремятся к таким разработкам, как было рассказано в примерах выше.

Наш проект призван решить несколько ключевых задач:

• обеспечить возможность оперативной диагностики непосредственно в местах содержания животных;
• стать надежным помощником для молодых специалистов, снизив порог вхождения в сложную область паразитологии;
• способствовать точному подбору терапевтических схем на основе быстрой идентификации возбудителя.

Чтобы воплотить нашу идею в жизнь, мы поставили перед собой четкую цель: обучить нейронную сеть, которая сможет с высокой точностью отличать один класс паразитов от другого по их фотографии. Для этого нам предстояло пройти несколько ключевых этапов.

Все началось с создания обучающей базы. Мы собрали и подготовили коллекцию четких изображений, чтобы «показать» нейросети, как выглядят нематоды и цестоды. Затем, используя интуитивно понятную платформу Google Teachable Machine, мы загрузили эти данные и запустили процесс обучения. Наконец, мы тщательно проверили, насколько хорошо модель усвоила урок, протестировав ее на новых изображениях. О том, какие инструменты мы выбрали и как именно выглядел путь «от пикселя к диагнозу», расскажем в следующем разделе.

От пикселя к диагнозу

Для реализации проекта был использован следующий инструментарий:

1. собственная база данных изображений паразитов (стоковые фотографии, специализированные атласы);
2. веб-инструмент Google Teachable Machine, который позволил создать, обучить и протестировать модель без необходимости углубленных знаний в программировании.

Работа велась в несколько этапов. На первом этапе была выбрана модель для классификации изображений (рис. 1А). Затем были созданы два класса объектов: «нематоды» и «цестоды», в которые была загружена коллекция соответствующих изображений, собранная из открытых источников, включая стоковые фотографии и специализированные атласы по паразитологии, что представлено на рис. 1Б [6], [7]. Общий объем выборки для пилотного проекта составил 28 изображений.

Проверка гипотезы на практике

После загрузки базы данных был запущен процесс обучения, в ходе которого модель анализировала предоставленные изображения и выявляла характерные признаки для каждого класса (рис. 2). На этапе тестирования модель демонстрировала результат в виде процентного соотношения вероятности принадлежности загруженного изображения к тому или иному классу.

По итогам валидации модель показала точность в 89%, что является высоким показателем для пилотного проекта. Ключевыми преимуществами созданной системы являются ее обучаемость, высокая скорость работы и гибкость — модель можно дообучать на новых данных, что критически важно в условиях появления новых штаммов паразитов.

Практическая значимость и целевая аудитория

Целевая аудитория нашего продукта широка и включает:

• владельцев личных подсобных хозяйств и домашних животных;
• работников крупных животноводческих комплексов;
• студентов ветеринарных специальностей;
• специалистов-охотников.

В процессе работы были выделены ключевые условия для успешного применения подхода:

• Объем данных: для повышения точности необходим значительный и разнообразный набор изображений. В рамках дальнейшего развития проекта планируется поэтапное расширение базы данных, начиная со 100–150 изображений для каждого класса с последующим увеличением до нескольких тысяч образцов.
• Качество изображений: четкость и стандартизация снимков напрямую влияют на результат классификации.
• Адаптивность: способность нейросети к дополнительному обучению делает ее идеальным инструментом для работы в динамичной среде.

Практическая значимость и дорога в будущее

В рамках проекта была успешно продемонстрирована работоспособность модели нейронной сети для дифференциации паразитов. Проект обладает высокой практической значимостью для сельского хозяйства и ветеринарии, а его дальнейшее развитие позволит создать полноценный коммерческий продукт.

Экономический эффект от внедрения решения очевиден: оно позволяет значительно снизить затраты на логистику (упаковку и транспортировку проб) и на оплату дорогостоящих лабораторных исследований, делая качественную диагностику более доступной.

В качестве дальнейших шагов развития проекта мы видим несколько ключевых направлений:

1. Расширение возможностей модели. Основной задачей станет увеличение обучающей базы данных и дообучение модели для распознавания не только взрослых гельминтов, но и других стадий их развития — яиц и личинок. Это позволит охватить полный цикл диагностики.
2. Создание интеллектуального помощника. Мы планируем разработать справочно-информационный модуль, который дополнит работу нейросети. Пользователь, получив результат классификации, сможет увидеть развернутую справку о паразите: его жизненный цикл, опасность для человека и животных, основные симптомы вызываемых заболеваний и первичные рекомендации по действиям. Это особенно ценно для студентов и специалистов в полевых условиях.
3. Разработка удобного интерфейса. Для превращения прототипа в практический инструмент мы нацелены на создание простого веб-приложения или мобильного интерфейса, что сделает технологию максимально доступной для целевой аудитории.

Литература

1. Лунева А. В., Лысенко Ю. А., Латынина Е. С. Паразитология и инвазионные болезни: учебник для вузов. Санкт-Петербург: «Лань», 2024. — 440 с.;
2. Сергиев В. П., Лебедева М. Н., Коваленко Ф. П., Морозов Е. Н., Понировский Е. Н., Продеус Т. В., Федянина Л. В., Фролова А. А., Жиренкина Е. Н., Кузнецова К. Ю., Кухалева И. В., Ракова В. М., Турбабина Н. А., Черникова Е. А., Завойкин В. Д., Зеля О. П., Морозова Л. Ф., Плющева Г. Л., Цаава Н. Р. Лабораторная диагностика гельминтозов и протозоозов: методические указания. М.: ФБУЗ «Федеральный центр гигиены и эпидемиологии» Роспотребнадзора, 2014. — 154 с.;
3. Johan Lundin, Antti Suutala, Oscar Holmström, Samuel Henriksson, Severi Valkamo, et. al.. (2024). Diagnosis of soil-transmitted helminth infections with digital mobile microscopy and artificial intelligence in a resource-limited setting. PLoS Negl Trop Dis. 18, e0012041;
4. Carles Rubio Maturana, Allisson Dantas de Oliveira, Francesc Zarzuela, Edurne Ruiz, Elena Sulleiro, et. al.. (2024). Development of an automated artificial intelligence-based system for urogenital schistosomiasis diagnosis using digital image analysis techniques and a robotized microscope. PLoS Negl Trop Dis. 18, e0012614;
5. Брянская-Касьяненко К. (2025). Применение нейросетей для анализа медицинских изображений пациентов с инфекционными заболеваниями. Вопросы экспертизы и качества медицинской помощи. 3, 10–12 с.;
6. Макеев О.Г., Кабонина О.И., Ошурков П.А., Кодолова Г.И., Костюкова С.В. Атлас по медицинской паразитологии. Учебно-методическое пособие для студентов 1 курса. Екатеринбург, 2010. — 136 c.;
7. Снигур Г. Л. Основы медицинской паразитологии: учебное пособие. Волгоград: изд-во ВолгГМУ, 2018. — 348 с..