В 17 лет Карина Смирнова управляет графиком, который под силу не каждому серийному предпринимателю: стажировки в медицинских лабораториях, исследование по химииoтерапии с профессором из США и подготовка к 7-недельной программе в Harvard Secondary School. Также она развивает проект по ранней диагностике рака с помощью ИИ, который уже вошел в топ-50 международного конкурса Diamond Challenge, обойдя 3500 конкурентов.
Специально для Digital Business Карина рассказала о том, как еще в 9-м классе попала на стажировку в университет из Лиги плюща, благодаря чему, будучи школьницей, получила полноценную работу в медицинской лаборатории и как придумал софт, который способен превратить обычный УЗИ-аппарат в мощный комплекс по ранней диагностики онкологических заболеваний.
«Поняла, что хочу создавать инструменты, которые сделают работу хирурга точнее»
– Я родилась и живу в Астане. В моей семье никто не связан с медициной: мама – домохозяйка, у папы своя компания по поставке оборудования для радиостанций. Именно он еще с 7-го класса стал направлять меня в сторону медицины. Тогда готовилась стать пластическим хирургом: посещала летние школы в Медицинском университете Астаны, активно учила химию и биологию.
Но все изменила поездка в США. Прошлым летом попала на PENN MEDICINE Summer Program for High School Students в Университете Пенсильвании (UPenn), который входит в Лигу плюща. Это престижная летняя программа, куда отбирают всего 100 учеников со всего мира для глубокого погружения в медицинскую среду.
Программа была максимально практической. Первые две недели шли вводные курсы по физиологии и хирургии, где отрабатывали базовые навыки — например, накладывали швы на симуляторах. Вторую половину курса ходили по лабораториям и больницам, а раз в неделю посещали морг, где изучали структуры мозга, внутреннее строение костей и тканей. Нам не объясняли зачем, но, думаю, расчет был на то, что если увидеть и потрогать все своими руками, теория запомнится навсегда.
Однажды даже присутствовали на реальной операции по удалению злокачественной опухоли легкого. Нас посадили в соседний кабинет, куда вывели экран: на него транслировалась картинка с микрокамеры, прикрепленной к скальпелю хирурга.
Именно тогда осознала: медицина – мое, но не в классическом понимании. Хотелось не держать скальпель, а создавать инструменты, которые позволят хирургам оперировать с визуальным контролем глубины тканей в реальном времени.
«Доктора работают фактически вслепую»
– Чтобы развиваться в биомедицинской инженерии, нужно глубоко понимать процессы на молекулярном уровне. Для этого необходима мощная академическая база. За этим фундаментом пришла в частную британскую школу Haileybury Astana. Сейчас учусь здесь по международной программе IB. Выбрала изучение химии и биологии на продвинутом уровне (Higher Level), чтобы сразу погрузиться в жесткую профильную подготовку.
Первый опыт создания продукта начался с обычной бьюти-процедуры. Давно ходила в одну косметологическую клинику как клиент, и за это время успела подружиться со своим мастером. Она знала, что я горю медициной и технологиями, поэтому предложила мне стажировку. Там наблюдала за работой врачей – смотрела, как они вводят мезонити и филлеры в лица людей, тренировалась на специальных симуляторах, но к реальным пациентам меня, конечно, не подпускали.
Именно там заметила главную боль докторов: они работают фактически вслепую. Косметологи видят только поверхность кожи, но не могут оценить, что происходит в глубине тканей и где именно проходят важные сосуды, задевать которые категорически нельзя. Сейчас в клиниках просто нет оборудования, способного показать внутреннюю структуру тканей в реальном времени.
Тогда решила собрать MVP специальной камеры, объединив ультразвуковой датчик и инфракрасный свет. Этот кейс развивала вместе с ментором-предпринимателем из UPenn. Довели проект до стадии работающего прототипа, однако вскоре разработку пришлось заморозить. Для идеальной точности камере требовалась технология RSOM (Raster-Scanning Optoacoustic Mesoscopy) – инновационный метод визуализации, который сканирует ткани на глубине без вредного излучения и контрастных веществ. Однако лабораторий с поддержкой RSOM в Центральной Азии нет.
Этот опыт научил главному правилу разработчика: искать решения, которые можно реализовать здесь и сейчас, исходя из доступных ресурсов.
«Нас учили работать скальпелем на яичной скорлупе и герметично зашивать кишку быка»
– Позже попала в лабораторию Медицинского университета Астаны (МУА). Во много благодаря прямолинейности. Три года назад к нам в школу с лекцией пришла Бахыт Балкеновна – профессор и заведующая кафедрой медицинской химии этого вуза. Она рассказывала про симуляционный центр при университете, аналогов которому в Казахстане нет. Между делом Бахыт Балкеновна упомянула, что в их лаборатории скоро начнут стажироваться ученики старших классов из нашей школы.
До этого у меня никогда не было опыта работы в настоящей медицинской лаборатории. Слушала ее и понимала: хочу туда любой ценой. Сразу после выступления подошла к профессору и рассказала про свой проект с инфракрасной камерой. Бахыт Балкеновна сначала отказала: проект назвала интересным, но объяснила, что я учусь в 9-м классе и не подхожу по возрасту.
Я развернулась и пошла к выходу. Но буквально через 15 минут профессор увидела меня в коридоре, сама подошла и сказала: «Ну ладно, давай попробуем».
Так полгода стажировалась в МУА. Официальной позиции у меня не было – нас просто приводили группой как школьников-слушателей. Программа была плотной: проходили вводные курсы по медицине, двухнедельную углубленную химию и школу хирургии. Нас учили работать скальпелем на яичной скорлупе, герметично зашивать кишку быка, осваивая больше 6 видов швов, и делать сердечно-легочную реанимацию. Параллельно разбирали темы, которые студенты вуза видят только на 2-3 курсах.
Из всей группы была единственной, у кого уже имелся собственный научный проект. Профессоров это зацепило. Так выстроились доверительные отношения с моими нынешними научными руководителями — Бахыт Балкеновной и Санией Бауыржановной. Вскоре они пригласили меня в лабораторию заниматься исследованиями на базе их кафедры.
Еще за полгода до этого Бахыт Балкеновна предлагала стать соавтором проекта на стыке наших прошлых наработок, но тогда не смогла, потому что улетала в UPenn. Когда вернулась, сама пришла к ней и сказала, что у меня есть идея нового проекта — по диагностике рака лимфосистемы. Мы приехали в МУА, проверили гипотезу на симуляторе и поняли, что все реализуемо. Ей понравился концепт и план дальнейшего масштабирования. Сейчас на базе кафедры химии работаю в статусе первого автора (first author) текущего исследования, поскольку вся идея проекта моя.
«Рак лимфосистемы нельзя просто вырезать, поэтому захотелось разобраться, как обнаружить его раньше»
– Меня всегда интересовала проблема поздней диагностики онкологических заболеваний. Особый интерес вызвал рак лимфоузлов. Из-за того, что они расположены по всему телу, опухоль нельзя просто вырезать, поэтому мне захотелось разобраться, как обнаружить ее раньше. Начала изучать доступные варианты скрининга. В регионах Казахстана аппараты МРТ в дефиците, а биопсия хоть и считается золотым стандартом, но по-прежнему остается инвазивной и рискованной: всегда есть шанс проверить здоровый узел вместо злокачественного.
Тогда поняла, что нужно решение на стыке доступного УЗИ и искусственного интеллекта. Дело в том, что аппараты УЗИ есть даже в регионах, а сами обследования на них значительно дешевле. Единственный минус – шумная картинка и низкое качество изображения, так как оборудование часто старое. К тому же восприятие снимков сильно зависит от опыта и субъективного мнения конкретного врача. Для этого и вводится ИИ: его точность выше и объективнее.
Мой проект – ИИ-модель, которая анализирует раковые опухоли комплексно. Собираем данные двумя способами: берем снимки УЗИ-сканирования и показатели стандартных анализов крови (таких как АЛТ и МДА), а затем объединяем их для постановки точного диагноза. Наш мультимодальный пайплайн работает по принципу late fusion – подход, при котором программа сначала отдельно обрабатывает картинку и биохимию, а финальный вердикт выносит уже на основе совокупности всех факторов.
На практике это выглядит так: аппарат УЗИ подключается к программе, и данные выводятся на компьютер. Софт запускает отдельный анализ снимка, к нему добавляются результаты биохимии, и система выдает комплексный результат.
Для обработки изображений используется ResNet-18 – проверенная архитектура глубоких нейронных сетей, которая отлично справляется с распознаванием сложных визуальных образов. Причем мы намеренно адаптируем ее под суровую реальность: аппараты УЗИ в наших больницах часто старые, поэтому качество снимков низкое. Чтобы модель не теряла важные детали на таких зашумленных кадрах, режу снимки на мелкие фрагменты – патчи размером 224x224 пикселя.
После того, как изображение разбивается на части, нейросеть анализирует каждый лоскут отдельно, вытягивая из него скрытые микроструктуры и признаки патологии. Затем эти данные, вместе с результатами анализов крови, передаются в MLP (многослойный перцептрон). Это классическая архитектура нейросети, которая в нашем проекте выступает финальным этапом. Она объединяет визуальные признаки снимка с биохимией и на выходе формирует итоговый диагноз или вероятность патологии. Такой двухэтапный процесс позволяет сначала детально всмотреться в каждый пиксель, а затем принять взвешенное решение на основе всей доступной информации.
Самое важное для врача – прозрачность. Поэтому внедрила метод Grad-CAM: он подсвечивает подозрительные зоны прямо на снимке, а метод SHAP объясняет, какой именно показатель крови больше всего повлиял на вердикт ИИ.
«Нейросеть способна распознавать микроскопические изменения интенсивности и текстуры эхо-сигнала, которые неразличимы для человеческого зрения»
– Всю информацию собирали в ходе собственного эксперимента на базе МУА: работали с выборкой из 24 крыс и каждую неделю с помощью инъекций токсичного четыреххлористого углерода (CCl4) усиливали степень повреждения тканей печени. На протяжении всего процесса непрерывно отслеживали, как меняются показатели крови и что в этот момент происходит на УЗИ. Для настройки алгоритма использовались только наши собственные изображения, а для независимой валидации результатов привлекали открытые датасеты.
Конечно, 350 снимков – начальный этап для подтверждения концепта (PoC), а не готовый продукт для массового внедрения. Используем этот объем как надежную базу, чтобы доказать жизнеспособность идеи. В дальнейшем, по мере масштабирования, выборка будет расти. Но даже сейчас, в отличие от человеческого фактора, который зависит от усталости или опыта конкретного доктора, модель демонстрирует стабильность. Использование метода кросс-валидации (LOOCV) на текущем наборе данных позволяет математически доказать воспроизводимость выводов ИИ. Это делает алгоритм более объективным инструментом поддержки решений, чем простое визуальное сравнение на глаз.
Нейросеть способна распознавать микроскопические изменения интенсивности и текстуры эхо-сигнала, которые физически неразличимы для человеческого зрения при стандартном просмотре снимка. Система одновременно сопоставляет эти визуальные пиксели с биохимическими показателями крови. Это позволяет ИИ находить скрытые закономерности. Например, как именно едва заметное изменение плотности ткани на УЗИ коррелирует с конкретным скачком уровня ферментов – и выдавать комплексный прогноз, который в принципе невозможно составить, если анализировать эти данные раздельно.
Валидация по протоколу LOOCV показала точность 75% и чувствительность 79%. Для проверки маленьких датасетов этот протокол считается золотым стандартом: модель обучается на всех данных, кроме одного образца, и проверяется строго на нем, что позволяет выжать максимум объективности из имеющейся выборки.
«Цель – сделать скрининг в 10 раз дешевле МРТ на том оборудовании, которое уже есть в каждой районной больнице»
– Мой проект – это B2B и B2G история. В первую очередь ориентируемся на государственные больницы в регионах, где нет доступа к дорогому МРТ. Если МРТ стоит от 30 000 тенге и выше, то цена УЗИ составляет около 5 000 тенге. Цель – сделать скрининг в 5-10 раз дешевле МРТ на том оборудовании, которое уже есть в каждой районной больнице.
Мой софт не требует закупать новые аппараты. Он без проблем интегрируется в те УЗИ-системы, которые уже стоят в каждой поликлинике. Технически это происходит через стандартизированные протоколы передачи данных – в частности, DICOM. Это универсальный международный стандарт, который используют все современные аппараты УЗИ, КТ и МРТ для обмена медицинской информацией. Программа подключается к этой сети, забирает нужные пакеты данных и выводит аналитику на рабочий компьютер врача, не требуя никаких изменений в самом железе.
Это решает сразу две проблемы: цену и логистику. Людям в регионах не нужно будет ехать в город и ждать очередь на КТ – они смогут пройти глубокую диагностику на месте по цене обычного УЗИ.
Фото: Mikhail Nilov, pexels.com
Планируем работать по модели SaaS: подписка позволяет постоянно обновлять продукт, а модели – дообучаться на новых данных.
Выход в полуфинал престижного международного конкурса научных и предпринимательских проектов Diamond Challenge подтвердил актуальность идеи. Чтобы понимать масштаб: в этом году на конкурс подали заявки 4500 команд из 80 стран мира, и в полуфинал отобрали всего 50 проектов.
Этот успех помог составить четкий roadmap. Первым ключевым этапом станет клиническая валидация – планируем проводить испытания на базе партнерских региональных клиник, чтобы на реальных кейсах подтвердить точность и безопасность наших алгоритмов. Последующее масштабирование будет реализовано через облачную SaaS-платформу, которая позволит подключать новые медицинские учреждения к системе практически мгновенно, без необходимости сложного и дорогого технического переоснащения.
«Еду в Гарвард за технологиями, которые в Казахстане пока остаются экзотикой»
– Этим летом улетаю на 7 недель в Harvard Secondary School. Отбор прошли всего 15% заявок, и ключевым фактором моего прохождения стал реальный бэкграунд. У меня за плечами уже есть свои продукты. Большинство подростков, подающих на такие программы, ограничены школьными проектами на базе учебников, поэтому практический опыт разработки выделил меня на их фоне.
Еду в Гарвард за экспертной оценкой проекта и знаниями в области технологий, которые у нас в Казахстане пока остаются экзотикой. В первую очередь это ДНК-оригами – метод программируемого создания наноструктур из ДНК, способных точечно доставлять лекарства в раковые клетки или служить наносенсорами внутри организма. Второе направление – RSOM (Raster-Scanning Optoacoustic Mesoscopy). Это инновационный метод визуализации, позволяющий с невероятной точностью видеть структуру тканей на глубине без вредного излучения и контрастных веществ.
В США AI в здравоохранении развит намного сильнее. Поэтому для меня принципиально важно пообщаться с профессорами на стыке медицины и Data Science, чтобы перенять их опыт внедрения искусственного интеллекта в реальную клиническую практику.
Мне нужно понять, как организовать путь от идеи и MVP до внедрения в клиники: как проходят исследования, какие стандарты нужны для интеграции софта и как выстраивается доверие врачей к цифровым решениям.
Через 3 года вижу проект не локальной инициативой, а полноценным MedTech-стартапом. Моя цель – получить меморандум с Министерством здравоохранения, чтобы внедрить технологию в государственные клиники и сделать раннюю диагностику доступнее по всей Центральной Азии.
Сверстникам в Казахстане всегда советую одно: не бойтесь сложных ниш. Как сказал предприниматель из UPenn: «Студентам никогда не говорят «нет». Самое главное – найти актуальную проблему и глубоко в ней разобраться. Когда ты действительно понимаешь, о чем говоришь, профессора, работодатели и специалисты сами начинают хотеть работать с тобой. Людям нравится молодежь, которая не боится браться за сложные идеи.