Модель анализирует записи с обычных камер, преобразует движение в скелетные точки и вычисляет клинические признаки, например, угловую скорость, которая может отражать мышечный тонус. Затем данные поступают в Anomaly Transformer с информационным выигрышем, оценивающий аномальность движений. Обучение не требует размеченных данных об аномалиях, что важно из-за редкости ДЦП и ограниченного объема экспертной разметки. Система формирует оценку аномальности для каждого фрагмента движения, что позволяет не только сделать общий вывод, но и указать клиницисту потенциально значимые эпизоды.
Валидация проводилась на 1 310 видеозаписях детей в возрасте от 1 до 25 недель после срока, собранных в трех детских больницах Китая в 2019–2024 годах. Система достигла AUC 94%, чувствительности 75% и точности 96%, превзойдя ряд базовых методов. В сравнении с тремя экспертами на подвыборке из 20 детей с ДЦП и 20 без него, модель показала чувствительность 88% при точности 95%, тогда как у экспертов эти показатели составили 80% и 95% соответственно.
Важной особенностью стала процедура подтверждения диагноза. Предварительная оценка по GMA дополнялась шкалой HINE и МРТ, после чего дети наблюдались до года для уточнения исхода. Такой дизайн позволил проверить модель на реальных исходах, а не на краткосрочных суррогатных признаках. Кроме того, авторы провели кросс-госпитальную валидацию: модель, обученная на данных одной клиники, сохраняла работоспособность при тестировании на данных другой и при смене камеры, что указывает на устойчивость к различиям в оборудовании и клинической среде.
Разработчики подчеркивают, что DeepAD задумана как вспомогательный инструмент скрининга и не заменяет клиническую оценку, включая GMA, HINE и МРТ. Среди ограничений названа региональная выборка из Китая, небольшое число случаев ДЦП, зависимость от моделей оценки позы, обученных на взрослых, и отсутствие интеграции с рядом клинических показателей. Дальнейшая работа включает расширение набора данных и внешнюю валидацию. Потенциально система может расширить доступ к раннему скринингу в учреждениях первичной помощи и ускорить направление детей на углубленное обследование.
В 2025 году Yandex B2B Tech, Школа анализа данных «Яндекса» (ШАД) и Санкт-Петербургский государственный педиатрический медицинский университет (СПбГПМУ) разработали нейросеть, которая помогает врачам оценивать развитие мозга новорожденных. Решение может применяться как вспомогательный инструмент при подозрении на ДЦП и другие заболевания центральной нервной системы. Специалисты отметили, что это первая в мире разработка на основе искусственного интеллекта (ИИ) для помощи в диагностике детей с рождения до одного года. Решение уже протестировано в СПбГПМУ.
