В.Г. Никитаев1, Т.Г. Геворкян2, А.Н. Проничев3, Т.Н. Заботина4, О.В. Нагорнов5, Е.Б. Весна6, А.А. Борунова7, М.С. Торосян8

1, 3, 4, 6, 8 ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)
 2, 4, 7 ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина» Минздрава России (Москва, Россия)
1 VGNikitayev@mephi.ru, 2 t.gevorkian@ronc.ru, 3 anpronichev@mephi.ru, 4 tnz@ronc.ru, 5 OVNagornov@mephi.ru, 6 EBVesna@mephi.ru, 7 a.borunova@ronc.ru, 8 torosyan.marlen@yandex.ru

Постановка проблемы. Развитие технологий проточной цитометрии порождает проблему обработки больших данных. Из опыта врачей и научных публикаций известно, что ожидание пользователями компьютерного ответа может привести к психологическому дискомфорту и провоцирует возникновение медицинских ошибок. Решение данной проблемы, далеко не изученной, в том числе в проточной цитометрии, требует совместных междисциплинарных исследований специалистов ряда направлений, прежде всего – цифровых технологий искусственного интеллекта, медицины, математики, психологии, программирования и др.

Цель. Разработать метод увеличения скорости компьютерной обработки данных проточной цитометрии.

Результаты. Проведено научное обоснование предложенного оригинального метода повышения скорости компьютерной обработки больших данных проточной цитометрии. Отмечено, что метод основан на разделении данных на кластеры, фильтрации помех, агрегации (формировании информативных характеристик кластеров) и распределении соответствующих вычислительных процессов на свободные ядра центрального процессора компьютера, а также он является развитием ранее опубликованного авторами метода распознавания популяций лейкоцитов [1]. Показано, что в методе используются алгоритмы распределенного вычислительного фреймворка Ray и программной библиотеки modin.pandas. На основе экспериментов продемонстрировано увеличение скорости обработки данных при заданных начальных условиях: компьютерного оснащения клинико-диагностических лабораторий, технических характеристик компьютера. Установлено, что метод позволяет увеличить скорость компьютерной обработки данных проточной цитометрии при массиве в 500 000 клеток лейкоцитов в 11 раз.

Практическая значимость. Предложенный метод может быть масштабирован для любых цифровых приборов медицинской диагностики, лечения и прогнозирования, а также для систем искусственного интеллекта.

Никитаев В.Г., Геворкян Т.Г., Проничев А.Н., Заботина Т.Н., Нагорнов О.В., Весна Е.Б., Борунова А.А., Торосян М.С. Искусственный интеллект в системах проточной цитометрии: метод увеличения скорости обработки больших данных. Проблемы и решения // Биомедицинская радиоэлектроника. 2026. T. 29. № 3. С. 50−54. DOI: https:// doi.org/10.18127/j156 04136-202603-08

1. Никитаев В.Г., Заботина Т.Н., Проничев А.Н., Борунова А.А., Торосян М.С. Метод распознавания групп лейкоцитов по результатам проточной цитометрии // Медицинская техника. 2026. № 1. С. 10–12
2. Балалаева И.В. Проточная цитофлуориметрия: Учебно-методич. пособие. Н. Новгород: Нижегородский госуниверситет, 2014. 75 с.
3. Орехов А.В., Шишкин В.И., Кудрявцева Г.В., Павилайнен Г.В., Шишкин В.В., Людкевич Н.С. Автоматическое получение «упрощенной лейкоцитарной формулы» методами проточной цитофлуориметрии и кластерного анализа // Вестник СПбГУ. Прикладная математика. Информатика. 2023. Т. 19. № 4. С. 69–483.
4. Kissler M.J., Porter S., Knees M., Kissler K., Keniston A., Burden M. Attention Among Health Care Professionals: A Scoping Review. Annals of Internal Medicine. 2024. V. 177. № 7. P. 941–952.
5. Никитаев В.Г., Проничев А.Н., Нагорнов О.В., Сергеев В.Ю., Козырева А.В. Междисциплинарная модель пигментной сети на дерматоскопических изображениях в приборах диагностики заболеваний кожи // Биомедицинская радиоэлектроника. 2025. Т. 28. № 5. С. 14–17.
6. Гафаров Ф.М., Галимянов А.Ф. Параллельные вычисления: Учеб. пособие. Казань: Казанский университет. 2018. 149 с.
7. Flow Cytometry datasets consisting of peripheral blood and bone marrow samples for the evaluation of explainable artificial intelligence methods [Электронный ресурс]. Mendeley Data. URL: https://data.mendeley.com/datasets/jk4dt6wprv/1 (дата обращения: 14.02.2026).