🧠 hack_aaw

Два ИИ-инструмента для раннего скрининга здоровья — прямо в браузере, без сервера и без сбора данных

Astana AI Week 2026 · Трек «Здравоохранение»

---

📋 Содержание

1. О репозитории
2. Проекты — исследовательский отчёт
   • 2.1 skaleoz — скрининг сколиоза и осанки
   • 2.2 HepaIQ — риск патологий печени и ХВГ
   • 2.3 Сравнение проектов
3. Видео-демо
4. Быстрый запуск
5. Общая архитектурная философия
6. Структура репозитория
7. Дисклеймер
8. Лицензия

---

1. О репозитории

Это исследовательская витрина двух независимых прототипов, сделанных к хакатону Astana AI Week 2026 в треке «Здравоохранение». Оба решают одну и ту же боль по-разному: раннее выявление — сколиоза и осанки в одном случае, патологий печени и вирусных гепатитов в другом — там, где визит к врачу происходит слишком поздно, а доступ к скринингу неравномерен.

Оба проекта объединяет один архитектурный принцип: весь ИИ работает локально, в вкладке браузера. Нет бэкенда, нет базы данных, нет отправки данных пациента на сервер. Один HTML-файл — и приложение уже работает на любом телефоне, ноутбуке или компьютере в поликлинике.

---

2. Проекты — исследовательский отчёт

2.1 skaleoz — скрининг сколиоза и осанки

📖 Полный README проекта · 📁 web_skaleoz/

Проблема. Подростковый идиопатический сколиоз встречается примерно у 2–3% детей — одно из самых распространённых ортопедических отклонений школьного возраста. Ключевая беда — позднее выявление: дугу нередко замечают, когда искривление уже выражено, а консервативные меры менее эффективны. Первый шаг («стоит ли показаться врачу?») часто не делается из-за трения — нужно записаться, приехать, раздеться перед незнакомым человеком.

Решение. Одна веб-страница с двумя независимыми режимами:

	📷 Скрининг по фото	🩻 Режим рентгена
Вход	Фото спины с телефона	Прямой снимок позвоночника (AP-проекция)
Движок	MediaPipe Pose (на устройстве)	Обученная модель CobbNet, ONNX (на устройстве)
Выход	Индекс асимметрии осанки + наклон плеч / таза / боковой сдвиг	Три угла Кобба + степень по Чаклину (I–IV)
Честная пометка	«прокси-скрининг, не угол Кобба»	«эксперимент, обучено на синтетике, не заключение рентгенолога»

Как это устроено технически.

1. Лёгкий гейт качества кадра (резкость по Лапласиану, видимость человека, кадрирование) отсекает заведомо непригодные фото — жёстко блокируются только явно негодные кадры, наклон камеры даёт лишь предупреждение.
2. pose_landmarker_heavy (Google MediaPipe Tasks Vision) находит 33 ключевые точки тела → вычисляется наклон линии плеч, наклон таза, боковой сдвиг корпуса → комбинируется в индекс тяжести 0–100%, откалиброванный выше шумового пола обычных фото.
3. Для рентгена — компактная свёрточная сеть CobbNet (~0.7 млн параметров, 2.8 МБ ONNX) регрессирует три угла Кобба по letterboxed-снимку 160×160, затем по наибольшему углу определяется степень (I–IV по Чаклину) и подбирается справочная тактика.
4. На каждом результате доступны PDF-заключение, печать и копирование текста.

Данные и метрики. Рентген-модель обучена на 900 снимках открытого датасета Spinal-AI2024 (синтетически сгенерированные, но откалиброванные под реальные рентгены, из статьи CurvNet). Средняя ошибка углов Кобба — ≈5.5° MAE на отложенной синтетической выборке (для сравнения: типичная межэкспертная вариабельность в клинике — порядка 3–5°). Весь фронтенд — один файл index.html (~69 КБ), без сборщика.

Честные ограничения. По фото нельзя измерить настоящий угол Кобба — это оценка поверхностной асимметрии осанки, а не рентгеновский золотой стандарт. Рентген-модель экспериментальная: обучена и провалидирована на синтетике, что доказывает работоспособность пайплайна, но не устанавливает клиническую точность на реальных пациентах. Проект не сертифицирован и не является медицинским изделием.

2.2 HepaIQ — риск патологий печени и ХВГ

📖 Полный README проекта · 📁 web_hepaiq/

Проблема. Патологии печени и хронические вирусные гепатиты B и C часто выявляются поздно — уже на стадии фиброза, цирроза или осложнений, когда лечение дороже, а прогноз хуже. Причины системные: данные лабораторий фрагментированы, врачи первичного звена перегружены и не успевают вручную считать клинические шкалы, а инструмента триажа группы риска на местах часто просто нет. Задача сформулирована в рамках медицинского трека Astana AI Week 2026 (Министерство здравоохранения РК).

Решение. Рабочее место врача первичного звена, которое за секунды превращает стандартную биохимическую панель в объяснимую оценку риска и готовое PDF-заключение — четыре инструмента на одном экране:

	Функция	Описание
🧠	Реальная ML-модель	Логистическая регрессия обучается прямо в браузере на 583 записях датасета ILPD через TensorFlow.js; резервный обучатель на чистом JS гарантирует работу на любом железе
📊	Три клинические шкалы	FIB-4, APRI, NFS — по опубликованным формулам, с порогами и разметкой «серой зоны»
🔍	Объяснимый ИИ	Диверджентные бары показывают, какие анализы повышают/понижают риск — прозрачность вместо «чёрного ящика»
🚦	Клиническая маршрутизация	Срочная / промежуточная / плановая тактика + автоматические настораживающие признаки (red-flags)

Как это устроено технически. Модель обучается при загрузке страницы каскадом с гарантией результата: сперва TensorFlow.js (с ограничением по времени), затем надёжный резерв — та же логистическая регрессия, обученная полнобатчевым градиентным спуском на чистом JavaScript (≈50 мс, детерминированно). Признаки пациента стандартизируются (z-score по статистике ILPD), после чего вычисляется вероятность патологии и вклад каждого признака в итоговую оценку — веса клинически осмысленны: АЛТ, АСТ и билирубин повышают риск, альбумин понижает. Параллельно считаются три валидированные неинвазивные шкалы фиброза (FIB-4, APRI, NFS) по опубликованным клиническим формулам.

Данные и метрики. Обучающий датасет — ILPD (Indian Liver Patient Dataset), UCI ML Repository, CC BY 4.0: 583 записи (416 пациентов с патологией печени, 167 без), 10 признаков, встроен прямо в страницу (~22 КБ). Метрики считаются вживую на отложенной тестовой выборке (20%): AUROC ≈ 0.75, чувствительность ≈ 0.94, специфичность ≈ 0.25, точность ≈ 0.73. Высокая чувствительность выбрана осознанно — для скрининга цена пропуска патологии выше цены ложноположительного результата, который отсеется на дообследовании.

Честные ограничения. ILPD собран на индийской популяции; пороги (включая единицы измерения билирубина) валидированы преимущественно на гепатите C — для РК нужна локальная калибровка на анонимизированных данных. Специфичность осознанно ниже чувствительности. Инструмент — поддержка решений, а не замена биопсии или эластографии (FibroScan), и не сертифицированное медицинское изделие.

2.3 Сравнение проектов

	🩺 skaleoz	⚕️ HepaIQ
Что делает	Скрининг сколиоза и осанки по фото спины или рентгену	Оценка риска патологий печени и ХВГ по биохимической панели крови
ИИ	MediaPipe Pose (поза) + CobbNet ONNX (углы Кобба по рентгену)	Логистическая регрессия, обучается прямо в браузере на датасете ILPD (TensorFlow.js)
Вход	Фото со спины / рентген позвоночника (AP)	Лабораторные показатели (билирубин, АЛТ, АСТ, альбумин и др.)
Выход	Индекс асимметрии осанки или степень по Чаклину (I–IV)	Вероятность патологии + шкалы FIB-4 / APRI / NFS + маршрутизация
Метрика качества	≈5.5° MAE по углам Кобба (на синтетике)	AUROC ≈0.75, чувствительность ≈0.94
Заключение	PDF / печать / копирование	PDF / печать / копирование
Датасет	Spinal-AI2024 (синтетические рентгены)	ILPD (UCI), CC BY 4.0
Технологии	MediaPipe Tasks Vision, ONNX Runtime Web, PyTorch (обучение)	TensorFlow.js, чистый JS (резервный обучатель)
Подробнее	📖 README проекта	📖 README проекта

---

3. Видео-демо

🎬 Видео-презентация проекта

Если видео не проигрывается прямо на странице GitHub — откройте файл напрямую или скачайте его через Code → Download.

📹 Демо отдельных проектов

🩺 skaleoz — от загрузки фото до готового PDF-заключения:

⚕️ HepaIQ — от ввода анализов до вердикта и PDF-заключения:

Если видео не проигрывается прямо на странице GitHub — откройте файл напрямую (skaleoz · HepaIQ) или скачайте его через Code → Download.

4. Быстрый запуск

Оба проекта — самодостаточные веб-страницы. Открытие через file:// не работает (нужен HTTP-источник для ES-модулей и моделей), поэтому поднимите локальный статический сервер.

skaleoz (со своим сервером на Node.js):

cd web_skaleoz
node server.mjs        # → http://localhost:5173

HepaIQ (любой статический сервер, например Python):

cd web_hepaiq
python -m http.server 5177   # → http://localhost:5177

Подробные чек-листы проверки (что нажать и что должно произойти) — в README каждого проекта: skaleoz → §15 · HepaIQ → §16

5. Общая архитектурная философия

• Ноль бэкенда. Инференс ИИ выполняется в браузере через WebAssembly / WebGL (ONNX Runtime Web, TensorFlow.js).
• Приватность по умолчанию. Единственный сетевой трафик — одноразовая загрузка моделей, шрифтов и библиотек с публичных CDN. Данные пациента никуда не отправляются и нигде не сохраняются.
• Честность важнее эффектности. Оба README открыто описывают ограничения моделей, синтетические/несбалансированные датасеты и статус «не медицинское изделие».
• Минимализм. Каждый проект — один HTML-файл (плюс модели), без сборщика и node_modules.

6. Структура репозитория

.
├── web_skaleoz/     # Скрининг сколиоза и осанки (фото + рентген)
│   ├── index.html
│   ├── server.mjs
│   ├── demo.mp4
│   ├── model.onnx / model_xray.onnx
│   ├── train/       # PyTorch-пайплайн обучения
│   └── README.md
├── web_hepaiq/      # Оценка риска патологий печени и ХВГ
│   ├── index.html
│   ├── demo.mp4
│   ├── docs/banner.svg
│   └── README.md
├── preza_video.mp4  # видео-презентация проекта целиком
└── README.md        # этот файл

7. Дисклеймер

Warning

Оба проекта — исследовательские прототипы, представленные в рамках хакатона. Это не сертифицированные медицинские изделия, их результаты не являются диагнозом и не заменяют очную консультацию врача. Подробные ограничения и честная оценка метрик — в README каждого проекта.

8. Лицензия

Код обоих проектов распространяется под MIT (см. LICENSE в каждой папке). Сторонние датасеты и модели сохраняют собственные условия использования — подробности в README web_skaleoz и web_hepaiq.

---

Сделано для Astana AI Week 2026.