Арзамасов К. М. - все статьи автора в журнале
-
2023 № 7 Применение технологий искусственного интеллекта как способ обеспечения качества выполнения рентгенографии органов грудной клетки.
При выполнении рентгенографических исследований могут возникать ошибки, снижающие диагностическую ценность полученных изображений и затрудняющие их интерпретацию как врачом-рентгенологом, так и диагностическим программным обеспечением на основе технологии искусственного интеллекта. Создание автоматизированных систем оценки качества позволит оптимизировать данный процесс, особенно в условиях повышенной рабочей нагрузки медицинского персонала.
Цель исследования: разработка инструмента автоматизированного контроля качества рентгенологических исследований органов грудной клетки, позволяющего провести контроль качества укладки и позиционирования пациента и корректность заполнения метаинформации об исследовании.
Материал и методы. Для обучения и тестирования моделей автоматизированного контроля качества были использованы 61505 рентгенограмм органов грудной клетки (РГ ОГК), полученные из открытых наборов данных и Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы города Москвы. Для создания моделей применялось трансферное обучение глубоких нейросетевых архитектур VGG19 и ResNet152V2.
Результаты. Были созданы 7 моделей: модель определения анатомической области исследования, модель определения проекции, модель определения фотометрической интерпретации, модели определения неполной визуализации анатомической области на прямой и боковой проекциях РГ ОГК, модель определения ротации на боковой проекции РГ ОГК. Все созданные модели имеют метрики диагностической точности выше 95%, что позволяет использовать их в клинической практике. На основе разработанных моделей был создан единый web-инструмент контроля качества РГ ОГК, позволяющий анализировать качество наборов данных рентгенограмм.
Выводы. Активное использование разработанного нами инструмента позволит оптимизировать процесс оценки качества диагностических исследований и облегчить процессы классификации исследований и формирования наборов данных. Также данный инструмент может использоваться для поддержки принятия решения рентгенолаборанта и оценки качества исследования перед отправкой исследования на обработку сервисам на базе искусственного интеллекта. -
2023 № 4 Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике
О б о с н о в а н и е : Активное внедрение технологий искусственного интеллекта в сферу здравоохранения, которое мы наблюдаем в последние годы, способствует резкому росту количества медицинских данных, собираемых для разработки моделей машинного обучения, в том числе данных лучевой и инструментальной диагностики. Для решения различных задач в области цифровых медицинских технологий посредством алгоритмов машинного обучения создаются все новые и новые наборы данных, поэтому становятся актуальными проблемы их систематизации и стандартизации, хранения, доступа, рационального
и безопасного использования.
Ц е л ь : разработка подхода к систематизации и стандартизации информации о наборах данных для решения вопросов представления, хранения, применения и оптимизации использования наборов данных и обеспечения безопасности и прозрачности процессов разработки и испытаний медицинских изделий с использованием искусственного интеллекта.
М е т о д ы : анализ собственного и мирового опыта по созданию и использованию медицинских наборов данных, поиск и анализ медицинских справочников, разработка и обоснование структуры реестра, поиск научных публикаций с ключевыми словами «наборы данных», «реестр медицинских данных», размещенных в реферативных базах данных РИНЦ, Scopus, Web of Science.
Р е з у л ь т а т ы . Разработана структура реестра наборов данных в медицинской инструментальной диагностике с разделами, отражающими информацию по всем этапам формирования и использования наборов данных для машинного обучения: 7 параметров на этапе инициирования, 8 – на этапе планирования, 70 – карточка набора данных, 1 – смена версии, 14 – на этапе использования, всего – 100 параметров. В работе предлагается классификация наборов данных по цели их создания, классификация методов верификации данных, а также принципы формирования названий для стандартизации и наглядности представления наборов данных. Кроме того, освещены основные особенности организации ведения данного реестра: управление, качество данных, конфиденциальность и безопасность.
В ы в о д ы . Впервые предлагается оригинальная технология структуризации и систематизации управления медицинскими наборами данных для инструментальной диагностики, в основу которой положены разработанная терминология и принципы классификации информации, что позволяет стандартизировать структуру информации о наборах данных для машинного обучения, обеспечивает централизацию хранения, удобный и быстрый доступ ко всей информации о наборе данных, а также прозрачность, надежность и воспроизводимость результатов в сфере искусственного интеллекта. Создание реестра дает возможность оперативно формировать наглядные библиотеки данных, позволяя обширному кругу исследователей, разработчиков и компаний выбирать наборы данных для своих задач, что обеспечивает их широкое использование, оптимизацию ресурсов и способствует быстрому развитию и внедрению искусственного интеллекта. -
2023 № 9 Популяционное исследование эмфизематозных изменений легких у населения г. Москвы методом автоматизированного анализа результатов лучевых исследований.
А к т у а л ь н о с т ь . Эмфизема, часто развивающаяся у пациентов с хронической обструктивной болезнью легких (ХОБЛ), ухудшает течение хронических заболеваний сердечно-сосудистой и эндокринной систем, а также ассоциируется с повышенным риском развития злокачественных новообразований легких. Изучение заболеваемости ХОБЛ осуществляется системно, однако анализ распространенности в популяции именно эмфиземы не осуществляется. Одним из способов оценки ее распространенности может стать автоматизированный анализ КТ органов грудной клетки с помощью технологий искусственного
интеллекта.
Ц е л ь : изучить распространенность эмфиземы у населения г. Москвы на основе автоматизированного анализа результатов лучевых исследований.
М е т о д ы . Проанализированы результаты КТ органов грудной клетки 116216 пациентов. Все исследования были выполнены за период октябрь 2022 г. – июнь 2023 г. в медицинских организациях города Москвы. В автоматизированном режиме ИИ-сервис «Emphysema-IRA» (ООО «Интеллиджент радиолоджи ассистанс лабораторис (АЙРА Лабс) ») определял факт наличия эмфизематозных изменений легких (бинарная оценка – да/нет), а также – процент эмфизематозного поражения в обоих легких и отдельно по каждому легкому.
Р е з у л ь т а т ы . Распространенность эмфиземы легких среди населения г. Москвы составила 0,614 на 1000 человек, распространенность клинически значимой эмфиземы – 0,173 на 1000 человек. Большинство лиц, у которых при КТ-исследованиях выявлена эмфизема, в том числе клинически значимая, относятся к группе пожилого возраста (47,0% и 55,0% соответственно), также значителен удельный вес лиц молодого возраста (9,0% и 5,0%). У мужчин во всех возрастных группах частота выявления эмфиземы статистически значимо выше, чем у женщин (Хи-квадрат=1000,0; р<0,001). Вне зависимости от пола, увеличение возраста на 5 лет в 1,1 раза увеличивает вероятность наличия эмфиземы, в том числе клинически значимой.
В ы в о д ы . Автоматизированное выявление признаков эмфиземы легких на КТ позволяет проводить быструю, массовую и объективную оценку распространенности хронической обструктивной болезни легких в популяции. Благодаря развитию медицинского программного обеспечения на основе искусственного интеллекта появилась возможность разработки и внедрения принципиально новых цифровых технологий управления здравоохранением и изучения общественного здоровья. -
2026 № 7 Прогнозирование восстановления минеральной плотности костной ткани в области бедренной кости у пациентов с первичным гиперпаратиреозом после паратиреоидэктомии.
Цель исследования: разработать прогностическую модель восстановления минеральной плотности костной ткани (МПК) в области бедренной кости в течение года после паратиреоидэктомии (ПТЭ) у пациентов с симптомной формой первичного гиперпаратиреоза (ПГПТ) с применением алгоритмов машинного обучения и параметров трехмерного моделирования проксимального отдела бедренной кости (3D-DXA).
Материалы и методы. Проведено ретроспективное одноцентровое исследование (n=116; 96,6% женщин; возраст 57,5 [45,75; 64] лет) на базе ФГБУ «НМИЦ эндокринологии им. академика И. И. Дедова» Минздрава России. В качестве бинарного исхода был прирост МПК ≥3% в области бедренной кости в целом (BMD TH) и шейки бедренной кости (BMD FN) через год после ПТЭ. Прогностические модели построены на основе категориального градиентного бустинга (CatBoostClassifier). Для предварительного отбора предикторов проведен одномерный сравнительный анализ подгрупп.
Качество моделей оценивалось по диагностической чувствительности (ДЧ), специфичности (ДС), прогностической ценности положительного (ПЦПР) и отрицательного (ПЦОР) результата.
Результаты. Мультивыходная модель с единым набором предикторов и общими гиперпараметрами показала нестабильное качество: для BMD FN ДЧ снизилась с 78% при кросс-валидации до 60% на тестовой выборке. Индивидуальные модели с раздельным набором предикторов и параметрами 3D-DXA продемонстрировали существенно более высокие результаты. Модель для BMD FN достигла ПЦПР 74±6% и ПЦОР 74±4% при кросс-валидаци; модель для BMD TH – ПЦПР 82±6% и ПЦОР 81±12%.
Заключение. Впервые разработаны прогностические модели восстановления МПК бедренной кости после ПТЭ при ПГПТ на основе алгоритмов машинного обучения. Разработанные модели являются инструментом поддержки принятия врачебных решений для персонализации послеоперационного ведения пациентов с ПГПТ: стратификации риска недостаточного восстановления МПК, планирования сроков контрольной денситометрии и обоснования назначения анти-остеопоротической терапии. -
2026 № 5 Частота встречаемости признаков эмфиземы легких в протоколах рентгенографии и компьютерной томографии.
Эмфизема легких является одной из ключевых форм хронической обструктивной болезни легких (ХОБЛ), и частота ее встречаемости возрастает. Эмфизема может быть выявлена при проведении рентгенографии (РГ) и компьютерной томографии (КТ) органов грудной клетки (ОГК). Зная частоту встречаемости эмфиземы и ее динамику, можно прогнозировать ее развитие при ХОБЛ и своевременно проводить профилактические и лечебные мероприятия.
Цель исследования: провести анализ частоты упоминания рентгенологических признаков эмфиземы легких в текстовых описаниях РГ и КТ ОГК в 2021–2024 гг. для поиска временных трендов, связанных с разной маршрутизацией пациентов и чувствительностью методик.
Материал и методы. Исследование проводилось путем отбора протоколов РГ и КТ ОГК в Едином радиологическом информационном сервисе Единой медицинской информационно-аналитической системы города Москвы (ЕРИС ЕМИАС) за период с января 2021 по декабрь 2024 года. Отобрано 7,52 млн РГ ОГК и 1,67 млн КТ ОГК. Исключены дублирующие исследования пациентов. Итоговая выборка составила 4 520 170 РГ ОГК и 1 054 293 КТ ОГК. В полученных выборках выполнен поиск по ключевым словам, характерным для описания эмфиземы, и исключены протоколы, содержащие эмфизему других локализаций. Анализ данных выполнен с использованием языка программирования Python.
Результаты. С упоминанием признаков эмфиземы легких выявлено 92 387 протоколов РГ ОГК (2,04% от всех РГ ОГК) и 80 165 протоколов КТ ОГК (7,61% от всех КТ ОГК). В амбулаторном звене выявлен 38 081 протокол РГ ОГК (1,53% амбулаторных протоколов РГ ОГК) и 19 687 протоколов КТ ОГК (6,97% амбулаторных протоколов КТ ОГК). В стационарном звене протоколов с описанием эмфиземы легких выявлено больше: 2,68% для РГ ОГК и 7,83% для КТ ОГК. За 4 года общая динамика по РГ ОГК в сторону уменьшения (с 3,93% в 2021 до 0,87% в 2024 году), по КТ ОГК – в сторону увеличения (с 3,92% в 2021 до 9,80% в 2024 году).
Выводы. По данным РГ ОГК, признаки эмфиземы легких стали реже встречаться в 2024 году по сравнению с предыдущими периодами. По данным КТ ОГК, эмфизема легких стала в 2,5 раза чаще отмечаться в протоколах. Процент выявленных в 2024 году пациентов с признаками эмфиземы легких по РГ и КТ ОГК отличается почти в 6 раз. Полученные результаты подтверждают низкую чувствительность рентгенографии в выявлении признаков эмфиземы по сравнению с КТ и указывают на необходимость создания организационных и цифровых решений для повышения точности в клинической практике. -
2026 № 6 Обзор применения технологий искусственного интеллекта для оценки костной консолидации.
Актуальность. Консолидация переломов длинных костей представляет собой сложный биомеханический и регенераторный процесс, нарушение которого может приводить к замедленному сращению и формированию несращений, сопровождающихся увеличением сроков реабилитации, риском повторных хирургических вмешательств и ростом социально-экономических затрат.
В клинической практике стандартизированная оценка заживления преимущественно осуществляется с использованием визуальных шкал RUST и mRUST на основе рентгенограмм, однако их диагностическая точность ограничивается субъективностью интерпретации и межэкспертной вариабельностью. В условиях цифровой трансформации здравоохранения возрастает интерес к автоматизированным методам оценки костного заживления, основанным на применении глубокого обучения для анализа рентгенографических и томографических изображений.
Цель обзора заключается в анализе современных подходов к автоматизации оценки костной консолидации на основе шкал RUST/mRUST и моделей искусственного интеллекта, включая методы детекции, трансформерные архитектуры, сегментационные решения для КТ и регрессионные прогнозные модели.
Материалы и методы. Методологическую основу исследования составили методы анализа и обобщения научной литературы, а также контент-анализ аналитических отчётов.
Результаты. В настоящем обзоре систематизированы современные подходы к автоматизации оценки
консолидации, включая регрессионное воспроизведение mRUST-баллов, сегментацию костного каллуса и кортикальных структур по данным компьютерной томографии с использованием архитектур типа nnU-Net и FracNet, а также применение гибридных моделей, сочетающих детекторы (YOLOv9) и трансформерные энкодеры (Swin Transformer V2).
Особое внимание уделено проблемам дефицита размеченных данных, вариабельности клинических протоколов и вычислительным ограничениям 3D-сетей, а также перспективам интеграции количественных визуализационных биомаркеров в предиктивные модели риска несращения.
Заключение. Обозначены векторы дальнейшего развития, включающие разработку мультимодальных моделей, объединяющих рентгенологические, КТ-показатели и клинические данные, переход к непрерывным индексам заживления и внедрение алгоритмов искусственного интеллекта в системы поддержки принятия решений в травматологии. -
2026 № 5 Сложное – просто: большие языковые модели в создании пациентоориентированных рентгенологических заключений – обзор предметного поля.
Прямой доступ пациентов к результатам рентгенологических исследований становится нормой клинической практики, однако медицинская терминология протоколов исследований затрудняет их понимание. Большие языковые модели (LLM) рассматриваются как инструмент автоматического создания заключений, адаптированных для понимания пациентом (или пациентоориентированных заключений), но систематическая оценка их возможностей и ограничений не проводилась.
Цель исследования: картирование литературы по применению больших языковых моделей и традиционных подходов для создания пациентоориентированных рентгенологических заключений.
Материалы и методы. Поиск проведён в пяти базах данных (PubMed, Google Scholar, Semantic Scholar, arXiv, medRxiv) за период январь 2020 – декабрь 2025 года. Включались публикации о пациентоориентированных рентгенологических заключениях по результатам компьютерной томографии, магнитно-резонансной томографии, рентгенографии, маммографии, флю-орографии и остеоденситометрии. Основной поиск – на английском языке; русскоязычные источники включены при выявлении вне основной стратегии. Данные извлекались по стандартизированной форме, охватывающей восемь исследовательских
вопросов. Скрининг и извлечение данных выполнялись одним исследователем; извлечённые данные верифицированы двумя соавторами путём сопоставления с оригинальными источниками.
Результаты. Из 1615 идентифицированных записей включено 60 публикаций. Более половины исследований (n = 35; 58,3%) опубликованы в 2024–2025 годах; географически преобладали США (n = 35; 58,3%). Подходы на основе LLM применялись в 33 исследованиях (55,0%), преимущественно модели семейства GPT; традиционные методы обработки естественного языка (NLP)
и ручного упрощения – в 19 (31,7%), остальные публикации включали гибридные подходы и обзоры. Наиболее распространённым дизайном являлась техническая валидация (n = 27; 45,0%). LLM повышали удобочитаемость заключений: показатель по шкале Flesch-Kincaid Grade Level снижался с исходных 10–13 до 5–12 классов. Все сравнительные исследования с участием пациентов показали статистически значимое улучшение понимания пациентоориентированных заключений. Авторы включённых исследований систематически анализировали ошибки генерируемых текстов при использовании LLM-подходов: частота ошибок и галлюцинаций LLM варьировалась от 0% до 50% в зависимости от модели и промпта; для традиционных NLP-подходов
систематический анализ ошибок во включенных исследованиях не проводился. Выявлен эмпирически обоснованный компромисс между удобочитаемостью и точностью: при целевом уровне ниже 11-го класса точность значимо снижалась. Только 3 из 60 исследований являлись рандомизированными контролируемыми испытаниями.
Выводы. LLM способны повышать уровень удобочитаемости и полноту понимания рентгенологических протоколов при сохранении клинической точности в большинстве случаев. Согласно результатам некоторых исследований, оптимальный целевой уровень составляет 8–11 классов; данная рекомендация требует подтверждения в будущих работах. Ключевым условием практического внедрения является верификация упрощённых заключений специалистом, что обусловлено текущим уровнем развития систем контроля качества сгенерированных текстов. Приоритетными направлениями являются крупномасштабные рандомизированные контролируемые исследования с оценкой клинических исходов и валидация подходов в неанглоязычных контекстах. -
2026 № 5 Обогащенные данные и машинное обучение в диагностике замедленного заживления переломов большеберцовой кости.
Замедленное заживление переломов большеберцовой кости представляет серьезную проблему в современной травматологии, особенно при сложных диафизарных переломах. Эти переломы характеризуются высоким риском несращения, что приводит к удлинению сроков лечения, повышенному риску повторных хирургических вмешательств и значительным социально-экономическим последствиям. Задержка в консолидации кости часто сопровождается снижением функционального статуса пациента и ухудшением качества жизни.
Цель исследования: анализ использования обогащенных данных и машинного обучения в диагностике замедленного заживления переломов большеберцовой кости.
Материалы и методы. Традиционные методы лучевой диагностики, включая рентгенографию и компьютерную томографию, демонстрируют умеренную точность при выявлении замедленного заживления на ранних стадиях. Ограниченная способность стандартных методов выявить ранние признаки замедленного сращения затрудняет своевременную коррекцию лечебной тактики и повышает вероятность развития осложнений. Кроме того, несвоевременное выявление таких патологий увеличивает частоту необходимости повторных оперативных вмешательств и продлевает реабилитацию.
Результаты. Актуальным направлением исследований является разработка алгоритмов машинного обучения, которые анализируют данные лучевой диагностики и автоматически определяют признаки замедленного заживления. Однако эффективность таких алгоритмов ограничена, поскольку они опираются преимущественно на данные визуализации и не учитывают значимые клинические факторы риска. В этой связи мультимодальный подход, объединяющий данные лучевой диагностики с клиническими, биохимическими и генетическими параметрами, представляет собой перспективное решение. Использование обогащенных данных позволяет значительно повысить точность прогнозирования несращений
и снизить вероятность диагностических ошибок.
Выводы. Внедрение мультимодальных алгоритмов в клиническую практику представляет собой важный шаг к совершенствованию методов диагностики и лечения пациентов с диафизарными переломами большеберцовой кости. Такой подход способствует своевременному выявлению случаев замедленного заживления, оптимизации лечебной тактики и улучшению исходов лечения. Повышение точности диагностики позволит снизить риск осложнений, сократить сроки реабилитации и повысить качество жизни пациентов. -
2026 № 2 Систематизация барьеров внедрения искусственного интеллекта в лучевую диагностику города Москвы.
Одной из областей медицины, в которой в настоящее время наиболее активно внедряется ИИ, является лучевая диагностика. Однако до 2020 г. технологии ИИ использовались лишь в научных исследованиях. Это было обусловлено существованием большого числа труднопреодолимых барьеров. Ранее другими коллективами авторов предпринимались попытки систематизации барьеров внедрения ИИ, но они носили по большей части теоретический характер и не учитывали реальный опыт внедрения ИИ в лучевую диагностику.
Цель исследования: систематизировать барьеры, препятствовавшие внедрению ИИ в лучевую диагностику с учетом опыта Московского эксперимента.
Материалы и методы. Проведено ретроспективное аналитическое исследование, направленное на систематизацию барьеров, препятствовавших внедрению ИИ в лучевую диагностику.
Результаты. Выявлены верхнеуровневые барьеры внедрения ИИ в лучевую диагностику в количестве 21, которые были разделены на 6 групп. Наибольшее количество барьеров было выявлено в регуляторной сфере (6), наименьшее – в вопросах, связанных с данными (2) и врачами и пациентами (2). Практический опыт Московского эксперимента по внедрению компьютерного зрения в лучевую диагностику позволил выявить дополнительные барьеры, которые ранее не упоминались в теоретических исследованиях.
Выводы. Систематизация барьеров с учетом практического опыта внедрения ИИ продемонстрировала их многоаспектность и взаимосвязанность, что свидетельствует о необходимости разработки мероприятий по их системному, а не последовательному устранению. -
2025 № 7 Автоматизированная платформа для формирования наборов данных в лучевой диагностике.
Актуальность. Количество программного обеспечения с использованием искусственного интеллекта (ПО с ИИ), применяемого в лучевой диагностике, в последние годы стремительно увеличивается. Этот тренд предъявляет высокие требования к качеству и репрезентативности наборов данных, необходимых для обучения, тестирования и мониторинга ПО с ИИ. Однако существующие методы формирования наборов данных зачастую являются трудоемкими и ресурсозатратными, что приводит к замедлению процесса разработки и внедрения новых ИИ-решений, а также к возможным ошибкам при их работе.
Автоматизация процесса формирования наборов данных становится критически важной для преодоления этих ограничений.
Предмет. Методология формирования наборов данных.
Цель: разработка автоматизированной платформы для формирования наборов данных в лучевой диагностике.
Методы. В ходе разработки платформы применялись языки программирования JavaScript, Python и Typescript. В платформе используются локальная база данных Postgres с текстовой информацией об исследованиях, PACS-системы, а также РИС – база данных неразмеченных исследований. Для подтверждения работоспособности платформы проведена ее апробация.
Результаты. Разработана комплексная платформа с локальными постоянными и временными файловыми хранилищами, при помощи которой пользователи могут осуществлять поиск, анонимизацию, выгрузку и разметку исследований, а также последующее формирование результирующих и аннотирующих файлов. В процессе апробации была подтверждена работоспособность платформы, и не было выявлено серьезных технических проблем.
Выводы. Настоящая платформа обеспечивает полный цикл работы пользователя с наборами данных в области лучевой диагностики. Платформа в настоящее время успешно функционирует в государственном бюджетном учреждении здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы», что позволяет рекомендовать предложенную платформу для использования в практических задачах. -
2024 № 11 Результативность профилактической маммографии в Российской Федерации: сравнение итогов первого этапа диспансеризации в 2019 и 2022 гг.
В мире злокачественные новообразования (ЗНО) молочной железы по-прежнему остаются самым распространенным видом онкологической патологии у женского населения. Основным методом профилактики данной патологии является скрининговая цифровая маммография (ММГ). В РФ ее результативность оценивалась в период 2013–2019 гг. Представляется актуальным
изучить развитие ситуации в последние годы с учетом пандемии COVID‑19.
Цель исследования: сравнительно изучить объем, динамику и результативность профилактических маммографических исследований в контексте влияния пандемии и обоснования путей дальнейшего развития медицинской профилактики.
Материалы и методы. Сравнительное исследование объемов и результативности профилактической ММГ. Проанализированы сводные отчеты на основе учетной формы медицинской документации № 131/у «Карта учета профилактического медицинского осмотра (диспансеризации)» за период с 2019 по 2022 гг. Методы исследования: аналитические, описательной статистики.
Результаты. В РФ количество профилактических ММГ в 2022 г. возросло на 4,7%, по сравнению с 2019 г. В административно-территориальных единицах также преимущественно наблюдался рост числа ММГ, за исключением г. Москвы, ЦФО и СФО. Наиболее значительным прирост был в СКФО (38,0%) и ЮФО (22,2%). Патологическая пораженность ЗНО молочной железы по результатам профилактической маммографии в 2022 г. существенно возросла, в целом по РФ на 26,4%.
Исключение составил г. Москва, где отмечено снижение показателя на 11,8%. Различные патологические состояния при проведении ММГ выявляются в среднем в 6,9% случаев, ЗНО молочной железы – в 1,0% случаев, впервые онкологическая патология выявляется в 0,25% случаев.
Выводы. Для дальнейшего развития медицинской профилактики ЗНО молочной железы необходимо создание и внедрение новых организационных технологий, включающих инструменты автоматизированного анализа результатов профилактических маммографий. -
2024 № 10 Оценка влияния пандемии COVID‑19 на распространённость эмфиземы по данным компьютерной томографии с применением технологии искусственного интеллекта.
Болезни органов дыхания – это наиболее распространенный класс болезней в Российской Федерации, занимающий в структуре общей заболеваемости, по данным разных авторов до 25,0%. По мнению ряда авторов, доля пациентов с хронической обструктивной болезнью легких с эмфиземой в последнее время увеличивается. Одна из причин увеличения доли пациентов с эмфиземой – перенесенный COVID‑19. Целью данного исследования является анализ изменения заболеваемости эмфиземы до, во время и после пандемии COVID‑19.
Материалы и методы. В исследование вошли результаты компьютерной томографии (КТ) органов грудной клетки, обработанные программным обеспечением на основе технологии искусственного интеллекта, позволяющие оценить объем эмфизематозного поражения легочной ткани. Сформирована выборка пациентов по четырем периодам: «доковидный период» – 625 исследований, «ковидный период» – 6809, «постковидный 2023» – 101872 и «постковидный 2024» – 78539.
Результаты. Доля исследований с эмфиземой в доковидный период составила 5,60%, в ковидный период увеличилась до 9,37%, в первый постковидный год (2023 г.) – 6,63%, во второй (2024 г.) – 7,67%. При попарном сравнении процента поражения получены статистически значимые различия в 2022, 2023 и 2024 годах, причем если группировать по категориям, значимая эмфизема (>6% поражения) выше в 2024 году (25,79% средний процент поражения в этой группе).
Выводы. Наше исследование подтверждает значительное увеличение случаев эмфиземы в популяции в последние годы, что может быть связано с воздействием пандемии COVID‑19. Доля пациентов с признаками эмфиземы в 2024 году составила 7,67%, что на 1% больше, чем было в 2023 году. -
2024 № 7 Влияние нарушений качества рентгенографических исследований органов грудной клетки на работу врачей-рентгенологов и диагностического искусственного интеллекта.
При выполнении рентгенографических исследований периодически возникают нарушения качества и ошибки, затрудняющие интерпретацию изображения и его описание как врачом рентгенологом, так и программным обеспечением (ПО) на основе технологии искусственного интеллекта (ТИИ). Для диагностического искусственного интеллекта отдельной проблемой может стать некорректное заполнение метаинформации в заголовках формата DICOM.
Цель исследования: определение нарушений качества РГ ОГК, наиболее сильно препятствующих работе врачей-рентгенологов и диагностическому ПО на основе ТИИ в условиях системы здравоохранения города Москвы.
Материалы и методы. Для исследования влияния качества рентгенологических исследований на работу врача-рентгенолога был проведен онлайн-опрос среди врачей-рентгенологов, сотрудников московского референс-центра лучевой диагностики. Для оценки влияния качества рентгенологических исследований на работу ПО на основе ТИИ был проведен анализ результатов обработки диагностических исследований по модальностям «рентгенография органов грудной клетки и флюорография легких» за 4 квартал 2023 года сервисами искусственного интеллекта в рамках “Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы”.
Результаты. В опросе приняли участие 172 человека. Наиболее распространенными нарушениями качества врачами отмечаются неполнота охвата грудной клетки и ассиметричное положение больного, а также нарушения четкости/контрастности изображения. При этом неполнота охвата грудной клетки вызывает наибольшие затруднения при интерпретации исследования у врачей со стажем до 5 лет. У более опытных врачей наибольшие затруднения вызывают нарушения четкости и контрастности изображений. Основными проблемами, препятствующими описанию исследований ИИ-сервисами является незаполнение или некорректное заполнение метаинформации об исследовании, хранящейся в формате DICOM, а также
нарушения укладки и позиционирования пациента.
Выводы. Выявленные проблемы указывают на необходимость более внимательного соблюдения методологии проведения диагностических исследований, особенно это касается заполнения метаинформации об исследовании. Разработчикам ПО на основе ТИИ необходимо проводить оценку работоспособности своих решений, основываясь на разработанной методологии тестирования и мониторинга. -
2023 № 8 Первые 10000 маммографических исследований, выполненных в рамках ус- луги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта».
Актуальность. Технологии искусственного интеллекта имеют огромный потенциал для повышения эффективности скрининговых программ по выявлению злокачественных новообразований молочной железы. Учитывая высокую социальную, демографическую и экономическую значимость массовых профилактических исследований, не подлежит сомнению тот факт, что диагностическая точность искусственного интеллекта должна соответствовать точности врачей-рентгенологов или даже превышать ее. В связи с этим необходимы исследования, посвященные сравнению точности программного обеспечения на основе технологии искусственного интеллекта и врачей-рентгенологов на потоке при проведении маммографических исследований.
Цель: оценить качество оказания медицинской услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» в рамках скрининга.
Материал и методы. Выборка для анализа состояла из 9684 цифровых маммографических исследований. Для каждого исследования категория BI-RADS определялась врачом-рентгенологом и с помощью программного обеспечения на основе технологий искусственного интеллекта (ПО на основе ТИИ), зарегистрированного в РФ в качестве медицинского изделия. 45 исследований из этой выборки со значимыми расхождениями в оценке врача и ПО подверглись экспертному аудиту, в результате которого была выставлена категория BI-RADS по мнению врача-эксперта.
Результаты. При оценке средневзвешенных значений статистически значимых различий между результатами врача и ПО на основе ТИИ для 9684 цифровых маммографических исследований не наблюдалось. Оценка согласованности врача и ПО показала, что совпадения наблюдаются в 43,89% случаев для шкалы BI-RADS и в 80,69% – 84,10% для бинарных шкал. Наличие случая, при котором патология, определенная с помощью ПО и подтвержденная при пересмотре результатов экспертом, была пропущена врачом, говорит о перспективности использования ПО на основе ТИИ для оценки маммографических исследований и требует проведения дальнейших исследований.
Заключение. При оценке маммографических исследований согласованность между решением на основе ТИИ и врачом-рентгенологом, достигает 84,10%, при этом ПО чаще присваивает более высокую категорию BI-RADS. Экспертный пересмотр части этих расхождений показал потенциальное снижение количества пропусков злокачественных новообразований молочных желез с помощью ПО.