SIAMS AIM

Основные функции программы включают: Обратная трансляция аминокислотной последовательности с оптимизацией кодонного состава под определённый организм. Оптимизация кодонного состава входной нуклеотидной последовательности. Исключение определённых сайтов рестрикции и/или сплайсинга и/или пользовательских мотивов из нуклеотидной последовательности. Разбиение нуклеотидной последовательности на олигонуклеотиды для последующей сборки одним из методов: Polymerase Cycling Assembly (PCA), Thermodynamically Balanced Inside-Out (TBIO). Разбиение нуклеотидной последовательности на длинные блоки для последующей сборки одним из методов: Gibson assembly, Overlap extension PCR. Клонирование одного или нескольких фрагментов в плазмиду одним из методов: Gibson assembly, Gateway.

Анализ сейсмического поля без учета скважин (без обучения). - Построение карт сейсмофаций (сейсмоклассов) на основе классификации с использованием 1D,2D или 3D нейронных сетей Кохонена с RGB визуализацией; - Выделение разломов и трещиноватости на основе алгоритма DTW; - Прослеживание разломов на основе нового алгоритма имитации разломным нарушений с использованием многократных локальных стрессов; - Выделение факторов на основе ортогонального разложения сейсмического поля; - Выделение особенностей сейсмического поля на основе RGB изображений соседних стратиграфических слайсов сейсмического поля или атрибутов. Анализ сейсмического поля c учетом скважин (с обучением). Прогноз карт эффективных толщин - на основе линейной регрессии; - на основе нелинейной регрессии ACE; - на основе нелинейной регрессии Random Forest; - на основе нейронных сетей Кохонена; - на основе классических нейронных сетей; - на основе нейронных сетей нового поколения Колмогорова; - многократный прогноз с удалением части скважин и построение карт P10, P50, P90, среднее, стандартное отклонение. Прогноза куба эффективных параметров по набору исходных кубов и скважинных измерений - на основе линейной регрессии; - на основе классических нейронных сетей; - на основе нейронных сетей нового поколения Колмогорова; - Нейросетевой прогноз низкочастотной модели и ее использование; - Нелинейный прогноз кубов упругих параметров AI, Vp/Vs, RHOB по угловым суммам; - Прогноз кубов ФЭС по кубам инверсии или по угловым суммам; - Прогноз геомеханических кубов (скорость Vs, модуль Юнга, отношение Пуассона …); - Прогноз куба порового давления; - Прогноз кубов литофаций; - многократный прогноз с удалением части скважин и построение кубов P10, P50, P90, среднее, стандартное отклонение. Анализ скважинных данных. - Прогноз кривых (параметров керна) по набору каротажей; - на основе линейной регрессии; - на основе классических нейронных сетей; - на основе нейронных сетей нового поколения Колмогорова; - многократный прогноз с удалением части скважин и построение кривых P10, P50, P90, среднее, стандарт; - классификация каротажных кривых 1D, 2D, 3D Kohonen; - карты на основе классификации каротажных кривых по их форме – электрофации. Программные продукты IPLab основаны на использовании: - Нового поколения нейронных сетей на основе полнофункциональных нейронов Колмогорова с инновационным гибридным обучением; - сейсмической инверсии по полным, угловым и азимутальным суммам; - анализа трещиноватости по сейсмическим данным. В качестве основного алгоритма прогноза продуктивности используются нейронные сети нового поколения на основе нейронов Колмогорова с полнофункциональными активационными функциями, что будет обеспечивать высокую степень свободы нелинейного оператора прогноза. Обучение нейронных сетей и их стабилизации основана на комбинации генетических алгоритмов, градиентных методов и регуляризации. Такой метод позволяет использовать на входе разномасштабные и разно точные данные для прогноза эффективных параметров добычи нефти и газа. Кроме этого, мы используем несколько специальных приемов (know-how) для такого прогноза, связанных с использованием пространственного распределения исходных данных (распределение сейсмическое поля вокруг точки прогноза) и учета многофакторной природы данных добычи. На основе нашего опыта, это существенно повышает качество прогноза. Для выделения зон трещиноватости и скрытых разломов по 3D сейсмическим данным применяются специальные алгоритмы искусственного интеллекта. Применение алгоритмов машинного обучения (Machine learning) позволяет гораздо эффективнее решать подобную задачу. В настоящее время мы готовим патентную заявку и имеется работающий прототип плагина. Сравнение результатов выделения зон трещиноватости и скрытых разломов на основе различных технологий и нашего подхода, показывает большую разрешающую способность и эффективность. Программный пакет IP_Seismic имеет возможность прямого импорта/экспорта данных из/в ПО Petrel (Шлюмберже). С другими программными пакетами, такими как Kingdom (S&P Global), Landmark (Halliburton), Paradigm (AspenTech) и т.д. обмен идет через файлы: сейсмика и ее производные через SEG-Y, скважины через LAS-формат и горизонты через текстовые файлы, что тоже очень удобно.

Продукты и сервисы «ФтизисБиоМед» используются в практической медицине в системах поддержки принятия врачебных решений для уменьшения числа ошибочных диагнозов и постановки диагнозов на ранних стадиях болезни. Результаты применения продуктов и сервисов «ФтизисБиоМед» также используются органами здравоохранения для повышения управляемости систем здравоохранения разных уровней. В настоящий момент функционал сервиса позволяет детектировать предполагаемые патологии, производить их графическую локализацию на проанализированных снимках, а также классифицировать детектированную патологическую область. Классификатор патологий сервиса «ФтизисБиоМед» способен различать и каталогизировать 9 типов патологий (Плевральный выпот, Пневмоторакс, Ателектаз, Очаг затемнения, Инфильтрация/консолидация, Диссеминация, Полость, Кальцинат/кальцинированная тень, Нарушение целостности кортикального слоя). Кроме того, сервис даёт численное значение вероятности наличия патологии. Участки локализации размечаются с помощью контуров, цветовые схемы которых соответствуют вероятным классам патологических признаков, приведенных в подписи к обработанному ИИ-сервисом снимку.

Выявляет признаки туберкулеза, пневмонии, образований в лёгких. Определяет гидроторакс, пневмоторакс, кардиомегалию с подсчетом КТИ и переломы ребер. ИИ-алгоритм распознаёт и описывает: — Технические дефекты на снимках — Изменение лёгочной ткани: Очаговые затемнения: очаги затемнения, образования в легком, кальцинаты/ частично кальцинированные тени Диссеминация Снижение пневматизации: области инфильтраций и консолидаций, пневмофиброз Ателектаз Воздушные полости: полости, кольцевидные тени — Патологии костей Перелом ребра Консолидированный перелом ребра — Патологии сердца и средостения Кардиомегалия Расширение средостения — Патологии гемиторакса Плевральный выпот Пневмоторакс Врач получает дополнительную серию с признаками патологий и предварительно заполненный протокол после обработки исследования искусственным интеллектом

Выявляет признаки рака молочной железы на скрининговых и диагностических исследованиях ИИ-алгоритм распознаёт и описывает — Технические дефекты на снимках — Нарушение архитектоники — Асимметрия плотности — Втяжение соска — Утолщение кожи — Отек ткани — Лимфоузлы — Кальцинаты — Образования Врач получает дополнительную серию с признаками патологий и предварительно заполненный протокол после обработки исследования искусственным интеллектом. Сервис ускоряет диагностику на 57%: при замене первого чтения сокращает время на описание исследования в 2 раза.

ИИ-алгоритм распознаёт и описывает: — Легочные очаги и образования — Нарушения воздушности — Эмфизема — Плевральный выпот — Деформация позвонков — Расширение легочного ствола — Расширение грудной аорты — Коронарный кальций — Паракардиальный жир Сервис самостоятельно измеряет размеры и объёмы всех признаков патологий. Врач получает дополнительную серию с признаками патологий и предварительно заполненный протокол после обработки исследования искусственным интеллектом.

Анализирует клетки периферической крови и костного мозга, определяет типы клеток, характерных для онкогематологических процессов ИИ-алгоритм распознаёт и описывает: — Общее количество мегакариоцитов — Бластные клетки — Нейтрофилы на всех стадиях развития — Эозинофилы — Базофилы — Лимфоциты — Плазматические клетки — Моноциты — Базофильные нормобласты — Полихроматофильные нормобласты — Оксифильные нормобласты — Все эритрокариоциты Врач получает обработанные снимки мазков периферической крови и костного мозга, миелограмму и предварительно заполненное заключение

Pirogov.AI устанавливает экспертный диагноз по ото, рино и ларинго эндоскопическим фото и видеоизображениям точнее, чем врачи. Распознание использует возможности искусственного интеллекта.